基于迁移学习的工业过程故障诊断方法研究与实现

摘要

工业设备的结构日益复杂，对设备安全性和可靠性的要求也越来越高，对设备的故障进行实时监测和分析就显得十分必要。现在许多企业依然使用纸质点检、人工分析的工作方式，对检修人员的专业知识也有很高的要求，更重要的是，这个过程很可能存在着由于人工疏忽而产生的误差，造成对设备故障的漏判、误判。因此工业故障智能诊断技术的研究具有十分重要的意义。 本文针对故障诊断问题中存在的有标记训练样本数量不足的问题，以迁移学习方法为基础，提出了两种故障诊断方法。针对源域和目标域同构的情况，将对抗思想和迁移学习相结合，提出了双重对抗迁移学习方法（Adversarial-Adversarial Transfer Learning，AATL）。利用编码器对源域和目标域数据进行特征提取，然后用一个域分类器评价源域和目标域分布差异，找到二者之间潜在的分布差异，通过对抗地训练编码器和域分类器，使源域和目标域在特征空间内分布相近。为进一步减小源域目标域分布差异带来的损失，在目标函数中加入了最大均值差异。在网络中加入一个与主网络目标相反的辅助网络，通过拉开主网络和辅助网络之间的距离，提高了主网络的学习能力，避免了对抗过程中“模式崩溃问题”的发生。针对源域和目标域异构的情况，提出了基于栈式稀疏自编码的异构迁移学习算法（Domain adaptivebased on Sparse Auto-Encoders，DSAEs）。利用两个不同的栈式自编码器分别对源域和目标域数据提取相同维度的特征，提出域间中心距离的概念来评价源、目标域特征分布差异，将其加入到编码器的目标函数中，交替地更新两个编码器的参数，最终使源域和目标域在特征空间内分布相同，最后利用源域特征训练出分类器，并将其应用到目标问题的诊断中。 对提出的双重对抗迁移学习方法，先后在凯斯西储大学轴承故障诊断标准数据集和某钢厂采集的轧机颤振历史数据集上进行了实验。实验结果显示，AATL的诊断精度较其他迁移学习算法有明显的提高，而对比于经典的机器学习算法，优势更加明显。通过对比实验，证明了辅助网络的加入提高了模型的收敛速度。对提出的基于栈式稀疏自编码的异构迁移学习算法，在手写数据集、西储大学轴承故障诊断标准数据集以及轧机颤振历史数据集上进行了实验，实验结果表明，不同源域数据辅助训练的分类器对目标任务有不同的性能。在目标域内标记数据不足的情况下，该方法的性能优于传统的机器学习方法。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 故障诊断研究现状

1.2.2 迁移学习研究现状

1.3 本文的主要内容

2 相关技术介绍

2.1 故障诊断技术

2.1.1 故障诊断的概念及分类

2.1.2 基于支持向量机的故障诊断技术

2.1.3 基于神经网络的故障诊断技术

2.2 迁移学习方法

2.2.1 迁移学习方法基本概念

2.2.2 基于实例的迁移学习

2.2.3 基于特征的迁移学习

2.2.4 基于关系的迁移学习

2.2.5 基于参数的迁移学习

2.3 基于迁移学习的故障诊断方法

3 基于同构迁移学习的故障诊断方法

3.1 对抗网络

3.2 最大平均差异

3.3 双重对抗迁移学习故障诊断方法

3.4 实验分析

3.4.1 凯斯西储大学轴承故障诊断

3.4.2 轧机颤振实时监测

3.5 本章小结

4 基于异构迁移学习故障诊断方法

4.1 栈式稀疏自编码器

4.2 域间中心距离

4.3基于栈式稀疏自编码的异构迁移学习算法

4.4 实验分析

4.4.1 经典数据集实验

4.4.2凯斯西储大学轴承故障诊断

4.4.3 轧机颤振实时检测

4.5 本章小结

5 结论和展望

参考文献

攻读硕士学位期间发表学术论文情况

致谢

大连理工大学学位论文版权使用授权书