设备状态单源变参信息融合特征学习及诊断方法研究

Effective nonstationary feature analysis of equipment conditions from single-source vibration signals is the linchpin of the development of machine fault diagnosis techniques. Current research lacks the full use of varying-parameter nonstationary information. The research in this project introduces two machine learning methods, i.e., manifold learning and deep learning, to fuse the varying-parameter nonstationary information from single-source signals. With the consideration that the varying-parameter nonstationary information can express the equipment working conditions diversely and their fusion features can reveal the inherent condition information, this project explores the fundamental theories and methods of learning the fusion features of the single-source varying-parameter information, which can reflect the inherent time-frequency patterns of the equipment conditions, for machine fault diagnosis. In the project, time-frequency analysis (TFA) methods will be used to construct the varying-parameter nonstationary information from the single-source signals. Then, low-dimension manifold fusion features of the equipment conditions will be extracted from the high-dimension varying-parameter nonstationary information. Moreover, deep fusion features of the equipment conditions will be extracted by feature transformation layer by layer of the varying-parameter nonstationary information. Therefore, the research of theories and methods include the learning of nonstationary fusion features by both single-source varying-parameter manifold fusion and single-source varying-parameter deep fusion. The feature expression disciplines of the equipment conditions by the learned nonstationary fusion features will be studied. As a result, the theoretical basis of machine fault diagnosis based on the single-source varying-parameter information fusion features will be established. The successful implementation of this project will provide a novel method for equipment condition analysis and fault diagnosis, and is significant theoretically and practically in the field of machine fault diagnosis.

对设备状态单源振动信号的有效非平稳特征分析是发展机械故障诊断技术的关键。目前的研究缺乏对变参非平稳信息的充分利用。本项目研究通过流形学习和深度学习两种机器学习方法融合单源信号的变参非平稳信息，利用变参非平稳信息对设备工况的多样化表达，以及变参非平稳融合特征对状态信息的本质揭示，探讨反映设备状态本质时频模式的单源变参信息融合特征的学习与诊断基础理论及方法。利用时频分析方法构造单源信号的变参非平稳信息，研究从高维变参非平稳信息中提取设备状态的低维流形融合特征，以及由变参非平稳信息的特征逐层变换提取设备状态的深度融合特征，即包括单源变参流形融合和单源变参深度融合的非平稳融合特征学习理论与方法。研究学习的非平稳融合特征对设备状态的特征表示规律，从而构建基于单源变参信息融合特征的机械故障诊断理论基础。本项目的成功实施将提供一种设备状态分析和诊断的新方法，在机械故障诊断领域具有重要的理论和实践意义。

对机械设备健康状态信号的有效非平稳特征分析是发展机械故障诊断技术的热点和关键点。然而，已有的研究缺乏对非平稳状态信息的充分挖掘和利用，难以获得清晰反映设备状态的本质时频模式，且仅关注于单个参数下的时频模式。机器学习技术的发展为设备非平稳状态信息融合诊断研究提供了新的契机和路径。本项目旨在以流形学习和深度学习为理论基础，借用多源信息融合的思想，对设备单源状态信号的变参非平稳信息进行融合。利用变参非平稳信息对设备工况的多样化表达，以及变参非平稳融合特征对状态信息的本质揭示，探讨反映设备状态本质时频模式的单源变参信息融合特征的学习与诊断基础理论及方法。利用时频分析方法构造单源信号的变参非平稳信息，研究从高维变参非平稳信息中提取设备状态的低维流形融合特征，以及由变参非平稳信息扩充数据样本并利用深度学习提取设备状态的深度融合特征，即包括变参流形融合和变参深度融合的非平稳融合特征学习理论与方法。在变参流形融合方面，针对不同时频分析方法各自存在的问题，提出了多种变参信息流形融合方法，将具有不同干扰分量、不同带宽或不同时频分辨率的故障相关瞬态分量非线性地结合在一起，从而在不优化传统时频分析参数的情况下提取信噪比高的机械故障瞬态分量，揭示了故障信息本质时频模式，并进一步重构了信号波形的幅值，实现了对机械故障严重程度的定量分析。在变参深度融合方面，针对实际故障诊断工作中故障样本稀少问题，提出了变参时频信息数据增强与深度融合方法，基于变参时频信息扩充数据样本并增加状态信息，利用深度学习方法融合变参时频信息，从而提升故障诊断模型的准确率和泛化能力。进一步地，构建深度生成对抗网络，解决了异常样本缺失下的机械健康监测和异常样本稀少下的机械类不平衡故障诊断。本项目提供了一种机械设备状态非平稳特征分析和诊断的新思路和新方法，在机械故障诊断领域具有重要的理论和实践意义。

内容获取失败，请点击重试