《基於遷移學習的旋轉機械故障診斷及壽命預測方法研究》是依託西安交通大學，由嚴如強擔任項目負責人的面上項目。
基本介紹
- 中文名：基於遷移學習的旋轉機械故障診斷及壽命預測方法研究
- 項目類別：面上項目
- 項目負責人：嚴如強
- 依託單位：西安交通大學
項目摘要,結題摘要,
項目摘要
複雜機械系統的工況不確定性以及局部部件信息的不可直接測量性，使得建立通用的故障診斷與剩餘壽命預測模型成為當前頗具挑戰性的研究方向。本課題首先研究機械系統在不同工況條件下、不同故障類型時所具有的共性以及差異性，並在時頻空間域上提取故障特徵。隨後深入學習遷移學習理論，從基於實例權重、特徵分布、關聯規則以及模型參數幾個方面開展研究以克服傳統診斷方法針對面窄的問題，在此基礎上建立可遷移度評判標準，提取訓練與目標域的共享參數，以提升分類的準確度。同時利用遷移學習的知識轉化能力，以雙尺度動力學系統建模為手段，建立與物理損傷相關聯的跟蹤指標，開展旋轉部件壽命預測研究，模型將在模擬試驗台以及實際風電設備上進行測試與驗證。可以預見，本課題提出的基於遷移學習的故障診斷與壽命預測研究可解決模型通用性問題，為分析具有多樣性故障特徵的複雜機械系統提供有價值的手段，有望推動機械故障診斷與壽命預測技術的發展。
結題摘要
複雜機械系統的工況不確定性以及局部部件信息的不可直接測量性，使得建立通用的故障診斷與剩餘壽命預測模型成為當前頗具挑戰性的研究方向。本課題首先研究機械系統在不同工況條件下、不同故障類型時所具有的共性以及差異性，並在時頻空間域上提取故障特徵。隨後深入學習遷移學習理論，從基於實例權重、特徵分布、關聯規則以及模型參數幾個方面開展研究以克服傳統診斷方法針對面窄的問題，在此基礎上建立可遷移度評判標準，提取訓練與目標域的共享參數，以提升分類的準確度。利用遷移學習的知識轉化能力，實施了基於奇異值分解/TrAdaboost的故障診斷研究；實施了基於譜質心遷移的故障診斷研究；實施了基於樣本和特徵混合遷移的機械故障診斷研究；實施了基於快速自組織映射遷移的機械故障診斷研究；實施了基於改進LSSVM遷移學習的故障診斷研究；實施了基於改進機率潛在語義分析模型套用於機械故障診斷研究；實施了基於時間遷移和空間遷移的機械故障診斷研究；實施了基於懲罰域選擇機遷移的機械故障診斷研究；實施了基於深度遷移學習的機械故障診斷研究；實施了基於TCCHC的指數半隨機EKF的機械剩餘壽命預測研究。共發表期刊論文24篇、會議論文10篇，其中SCI收錄15篇（包括ESI熱點論文一篇、高被引論文4篇 ），兩篇中文期刊論文獲優秀論文獎，獲國內會議優秀論文獎1次，國際會議最佳論文獎1次；申請發明專利5項，其中已授權4項；負責人入選ASME Fellow, 百千萬工程人才國家級人選; 培養博士生3人（已畢業1人）、碩士生3人（已畢業2人）。本課題提出的基於遷移學習的故障診斷與壽命預測研究可解決模型通用性問題，為分析具有多樣性故障特徵的複雜機械系統提供有價值的手段，能夠推動機械故障診斷與壽命預測技術的發展。
