基于深度学习与信息融合的机械系统健康评估方法研究

Based on the studies of feature extraction，data fusion，semi-supervised fault diagnostics and manifold learning, we investigate the problems of complex mechanical system operation state health assessment, such as wind turbine health prognosis. A deep-learning based feature extraction method will be proposed to identify the time-frequency image of incipient fault signals, and a DBN could be used to represent the multi-source isomerous sensor data. The classical supervised and semi-supervised learning algorithms can be enhanced by use of deep learning, and the discriminative deep convolutional architecture could be constructed to learn the nature of the data from insufficient samples. Based on this study, we will propose a deep CNN based fault prognosis method to diagnose the incipient failures and classify different faults. By integrating Hidden Markov Model and Deep Neural Networks, a deep-architecture model will be constructed to perform machine health assessment. The deep network will be used for the state recognition during HMM learning process, and to capture the state transition information, which could be used to predict the anomaly occurrence and its propagation. Then machine performance could be effectively evaluated by this deep-learning based prediction model.

针对大型风力发电装备等服役环境恶劣的机械系统，结合项目组在故障特征提取、数据融合与半监督流形学习诊断方法等方面的研究成果，深入研究复杂机械系统运行状态健康评估的问题。提出基于深度学习的故障时频图像特征提取方法，实现对关键部件微弱故障的特征增强。提出基于深层置信网络的多源传感器数据的融合诊断方法，实现对多源异构信息的一致性融合表示。利用深度学习强化传统监督式分类、半监督分类学习算法的性能，建立逐层学习的判别性深层卷积网络结构，提出一种基于正常状态样本集的故障预测方法和多故障分类识别方法。集成隐马尔科夫模型与深层神经网络，建立基于深度学习的机械系统健康评估模型，将深度网络结构纳入隐马尔科夫状态转移的识别过程，识别模式的演化特征，实现对机械系统运行状态的健康评估。

针对大型风力发电装备等服役环境恶劣的机械系统，结合项目组在故障特征提取、数据融合与半监督流形学习诊断方法等方面的研究成果，深入研究复杂机械系统运行状态健康评估的问题。在智能诊断与预测算法方面：提出了基于卷积神经网络(CNN)的故障时频图像特征提取方法，实现对关键部件微弱故障的特征增强；提出了基于稀疏自编码网络(SAE)和深度置信网络(DBN)的多源传感器数据的融合诊断方法，实现对多源异构信息的一致性融合表示；针对流形特征提取研究中碰到的问题，提出一种同时考虑全局样本与局部样本的最近邻最远距离保持投影流形降维方法(NFDPP)，并针对多传感器系统提出多路信号的距离保持投影（Multiway-NFDPP）运行状态评估模型；提出了基于SAE的故障增量分类与检测算法，可以有效地诊断原训练样本集中不存在的故障，并提高SAE故障诊断模型的泛化能力和分类正确率；提出了一种基于深度解耦卷积神经网络(DDCNN)的复合故障智能诊断算法，在只使用单一故障数据训练网络的情况下，可以实现复合故障的解耦识别；提出了一种基于循环神经网络(RNN)的轴承退化评估方法，能有效识别轴承的退化状态；提出了一种基于粒子群优化算法（PSO）对稀疏降噪自编码网络（SDAE）超参数进行自适应选取。在故障机理研究方面：由于风电齿轮箱振动信号的非平稳特性，从振动信号上直接提取转频误差大且转速计安装不便，针对此问题，根据其高阶啮合频率特性提出了一种新的风电齿轮箱阶次跟踪方法；基于信号稀疏表示理论在振动信号特征分离和提取方面的优越性，提出了一种新的齿轮箱混合故障耦合调制信号分离方法；对正常无故障行星轮系振动信号的非对称调整边频带进行了深入分析，建立了行星轮系振动响应信号数学模型，研究了正常行星轮系振动响应调制边频带的产生机理，通过数值分析和工程实例验证了理论推导的正确性。.所取得的研究成果为复杂机械系统运行状态的智能故障诊断与健康预测评估等提供了一些新的分析思路和手段，具有较强的理论意义和应用价值，促进智能预测与诊断方法走向实用。

内容获取失败，请点击重试