关键词:
故障诊断
张量投影层
深度张量投影网络
高阶谱
多源信息融合
多模态
元学习
摘要:
本论文在国家自然科学基金(No.52075236)和江西省自然科学基金重点项目(No.20212ACB202005)资助下,针对传统深度卷积神经网络中的池化层对高阶张量进行降维时容易造成特征丢失的不足,提出了基于深度张量投影网络(Deep Tensor Projection Networks,DTPN)的机械故障诊断方法,并利用多种特征提取的方式构造高阶张量。通过实验研究与分析来说明所提方法的有效性。取得的主要研究内容如下:(1)针对现有的基于深度卷积神经网络的故障诊断方法利用池化层对高阶输入张量降维时,容易破坏张量数据,造成数据信息丢失,以及网络结构相对复杂的不足,构造了一种DTPN。该网络利用张量投影层代替传统卷积神经网络中的池化层,在对输入的高阶张量数据进行降维时,不会对张量数据造成破坏,避免了特征信息的丢失,大大提高了模型的识别准确率。并且张量投影层是一种可变维度的降维层,可以简化网络结构。在此基础上,结合高阶谱和深度张量投影网络的各自优点,提出了基于DTPN的机械故障诊断方法。在所提方法中,利用高阶谱提取信号特征得到二维高阶谱图,并通过高阶谱图和通道数构造了三阶张量。将得到的张量样本输入到构建的DTPN模型中进行降维和识别。通过齿轮和轴承故障诊断实验验证所提方法,结果表明,所提方法从频域角度构造张量能够更好地保留原始故障信息,有效识别不同类型的故障,准确率也要优于传统深度卷积神经网络故障诊断方法,并且降低了网络结构的复杂度。(2)针对直接利用多源信息融合后的高维数据作为模型的输入时,容易引发维度灾难而导致诊断性能下降的不足,提出了一种多源信息融合-DTPN的机械故障诊断方法。该方法首先将采集的多源振动信号通过同步提取变换(Synchroextracting Transform,SET)的信号处理方式从时域和频域的角度获取特征,并转换为二维时频图。然后,将多源信息的时频图进行特征融合构造出由时间、频率和源信息数组成的三阶张量。最后,将得到的张量样本输入到DTPN中进行降维与特征提取,从而实现多类故障的识别。提出的方法成功用于行星齿轮箱和轴承故障诊断实验中,实验结果表明,所提方法克服了直接利用多源信息融合成的多维数据引起维度灾难的不足,能够有效且全面地提取故障特征信息,模型性能要优于传统的深度卷积神将网络。并且验证了从时频角度构造的张量中所包含的故障特征信息比只从频域角度构造的张量更丰富。(3)针对变工况条件下振动信号具有复杂的时变调制和故障信息耦合导致故障特征微弱影响故障诊断模型的准确识别的问题,利用小波包分解(Wavelet Packet Decomposition,WPD)能够去除干扰信息和深入分析信号特征以及根据信号特点进行自适应分解的优势,并结合DTPN,提出了多模态-DTPN的变工况故障诊断方法。该方法首先利用WPD对变工况的振动信号进行解调解耦,得到多模态信息。然后,通过SET把多模态信息转换为时频特征图,并将多个模态的时频图进行特征融合构造由时间、频率和模态数组成的三阶张量。最后,由DTPN对高阶张量进行降维与故障识别。通过升速和降速变工况的轴承故障诊断实验对提出的方法进行验证,并与原始信号通过SET转换为时频图构造的张量输入模型进行对比,验证了所提方法包含了更多维度的特征信息,并且能够更好地提取出故障特征,准确识别各类故障。(4)针对旋转机械结构零部件发生故障时可能引起其它部件损伤会产生复合故障而又无法获得足够多的复合故障数据来训练基于深度学习的故障诊断模型的问题,提出了一种元学习-DTPN的复合故障诊断方法。该方法首先通过SET获取复合故障信号特征,利用特征融合的方式构造由时间、频率和源信息数组成的小样本三阶张量,然后由DTPN对高阶张量进行降维与特征提取,最后利用元学习方法能够有效地学习小样本任务参数的优势对模型进行训练与调优,实现小样本复合故障的分类。将所提方法应用于行星齿轮箱小样本复合故障诊断实验中,结果表明,利用所提方法可以在小样本的复合故障数据下仍然可以有效识别不同类型的故障。