《基於深度學習與信息融合的機械系統健康評估方法研究》是依託華南理工大學，由李巍華擔任項目負責人的面上項目。
基本介紹
- 中文名：基於深度學習與信息融合的機械系統健康評估方法研究
- 項目類別：面上項目
- 項目負責人：李巍華
- 依託單位：華南理工大學
項目摘要,結題摘要,
項目摘要
針對大型風力發電裝備等服役環境惡劣的機械系統，結合項目組在故障特徵提取、數據融合與半監督流形學習診斷方法等方面的研究成果，深入研究複雜機械系統運行狀態健康評估的問題。提出基於深度學習的故障時頻圖像特徵提取方法，實現對關鍵部件微弱故障的特徵增強。提出基於深層置信網路的多源感測器數據的融合診斷方法，實現對多源異構信息的一致性融合表示。利用深度學習強化傳統監督式分類、半監督分類學習算法的性能，建立逐層學習的判別性深層卷積網路結構，提出一種基於正常狀態樣本集的故障預測方法和多故障分類識別方法。集成隱馬爾科夫模型與深層神經網路，建立基於深度學習的機械系統健康評估模型，將深度網路結構納入隱馬爾科夫狀態轉移的識別過程，識別模式的演化特徵，實現對機械系統運行狀態的健康評估。
結題摘要
針對大型風力發電裝備等服役環境惡劣的機械系統，結合項目組在故障特徵提取、數據融合與半監督流形學習診斷方法等方面的研究成果，深入研究複雜機械系統運行狀態健康評估的問題。在智慧型診斷與預測算法方面：提出了基於卷積神經網路(CNN)的故障時頻圖像特徵提取方法，實現對關鍵部件微弱故障的特徵增強；提出了基於稀疏自編碼網路(SAE)和深度置信網路(DBN)的多源感測器數據的融合診斷方法，實現對多源異構信息的一致性融合表示；針對流形特徵提取研究中碰到的問題，提出一種同時考慮全局樣本與局部樣本的最近鄰最遠距離保持投影流形降維方法(NFDPP)，並針對多感測器系統提出多路信號的距離保持投影（Multiway-NFDPP）運行狀態評估模型；提出了基於SAE的故障增量分類與檢測算法，可以有效地診斷原訓練樣本集中不存在的故障，並提高SAE故障診斷模型的泛化能力和分類正確率；提出了一種基於深度解耦卷積神經網路(DDCNN)的複合故障智慧型診斷算法，在只使用單一故障數據訓練網路的情況下，可以實現複合故障的解耦識別；提出了一種基於循環神經網路(RNN)的軸承退化評估方法，能有效識別軸承的退化狀態；提出了一種基於粒子群最佳化算法（PSO）對稀疏降噪自編碼網路（SDAE）超參數進行自適應選取。在故障機理研究方面：由於風電齒輪箱振動信號的非平穩特性，從振動信號上直接提取轉頻誤差大且轉速計安裝不便，針對此問題，根據其高階嚙合頻率特性提出了一種新的風電齒輪箱階次跟蹤方法；基於信號稀疏表示理論在振動信號特徵分離和提取方面的優越性，提出了一種新的齒輪箱混合故障耦合調製信號分離方法；對正常無故障行星輪系振動信號的非對稱調整邊頻帶進行了深入分析，建立了行星輪系振動回響信號數學模型，研究了正常行星輪系振動回響調製邊頻帶的產生機理，通過數值分析和工程實例驗證了理論推導的正確性。 所取得的研究成果為複雜機械系統運行狀態的智慧型故障診斷與健康預測評估等提供了一些新的分析思路和手段，具有較強的理論意義和套用價值，促進智慧型預測與診斷方法走向實用。
