小数据条件下基于测地流核函数的域自适应故障诊断方法研究
2018-09-28刘海宁宋方臻窦仁杰黄亦翔刘成良
振动与冲击 2018年18期
刘海宁, 宋方臻,窦仁杰, 黄亦翔, 刘成良
(1. 济南大学 机械工程学院,济南 250022; 2.上海交通大学 机械与动力工程学院,上海 200240 )
设备状态监测与故障诊断在维护生产秩序,杜绝生产事故、保证产品质量等诸多方面发挥着日益明显的作用,被认为是实现工业4.0的基础[1]。智能故障诊断能够模拟人类思维的推理过程,通过有效地获取、传递和处理诊断信息,模拟人类专家,以灵活的诊断策略对监测对象的运行状态和故障做出智能判断和决策[2],因此基于人工智能的故障诊断方法被学术与工业界广泛研究。但是,智能故障诊断方法投入工程实际应用不可回避的一个障碍是:智能故障诊断方法[3]必须通过对大量先验样本数据的机器学习才能建立其一定的故障诊断能力。对机械设备故障诊断来说,为获取有价值的先验样本数据,需要在采样母体、工况、故障类型上实现最大化,否则无法建立对设备状态变化规律及表现的一般性认知。但实际工程应用中受人力、物力及时间等客观条件限制,先验样本数据的采样空间被极大地压缩,智能故障诊断模型的精确性也就无法保证。并且研究证明:在实验室用模拟故障所得到的特征信息的模式样本在模式空间中的类聚性,与实际生产中所得到的模式样本的类聚性有着很大差别,因为从统计角度讲他们不属于同一个母体[4]。具体到广泛采用的基于振动信号的设备故障来说,由于工况条件不同,以及材料成分、制造工艺、装配误差等因素造成的个体差异都会影响机械零部件的振动特性。……
登录APP查看全文
