摘要:由于高质量的电机故障数据样本的采集和处理成本过高，新采集的数据样本存在无标注的情况，而域自适应可以借助现有数据对无标注的新数据进行处理识别，因而在故障诊断领域受到了广泛关注。在基于域自适应的电机故障诊断领域，存在两个问题：常用域自适应框架下会出现多任务梯度冲突。同时，现有方法极少研究复杂运行状态之间的迁移任务。因此本文提出了AMDA电机故障诊断方法以解决上述问题。AMDA方法利用多层一维卷积层、批量归一化层和池化层构成的特征提取器，提取源域和目标域的高阶特征；之后结合使用基于对抗的方法和基于分布差异度量的方法，减小源域和目标域数据特征的分布差异；最后引入基于梯度对齐的多任务学习方法，对故障分类器、域判别器和分布差异度量三个任务进行平衡和优化，减小多任务梯度之间的冲突，最终得到基于多任务学习的电机声信号的域自适应故障诊断模型。使用所提出的AMDA方法在多个试验设置下进行跨运行状态故障诊断试验，试验结果表明，AMDA方法在基于声信号的跨运行状态电机故障诊断试验中，完成了稳定运行状态（Stable）、启动运行状态（Start）和循环运行状态（NEDC）之间的迁移任务，最高诊断正确率可达91.47%。同时，AMDA方法在两个对比试验中，性能均显著高于其他方法，具有一定的研究价值和工程应用价值。

摘要:针对不同工况下采集的齿轮箱振动数据特征分布不一致和噪声成分影响迁移效果的问题，本文提出了一种结合注意力机制的域对抗迁移网络的深度迁移学习故障诊断方法。首先，将带标签的振动信号和未带标签的振动信号通过固定长度的数据分割方法构建成数据集；其次，为减少噪声样本带来的负迁移影响，采用卷积注意力模块（CBAM）以及判别损失项辅助特征提取器提取具有区分度的特征，加强分类决策边界；最后，为解决数据特征分布不一致的问题，采用多核最大均值差异（MK-MMD）对齐源域和目标域的全局分布，并利用对抗机制对齐两域的子领域分布。在公开的变工况齿轮箱故障数据集上进行试验验证，结果表明，所提方法的平均识别准确率达到96.25%以上，并通过与其他诊断方法的对比分析，验证了所提方法的有效性和优越性。

摘要:采用电机定子电流信号特征分析诊断转子断条故障时，基频两侧的故障特征频率和幅值是判断故障发生与否和严重程度的重要参数。FFT算法的诊断能力严重依赖于所分析的数据长度，最小二乘Prony分析算法虽然具有短时数据分析能力，但是该方法对噪声异常敏感，当电机低频低负载运行时同样存在故障特征提取能力不足和诊断失效的问题。为解决上述问题，提出改进奇异值分解和LS-PA算法相结合的转子断条故障诊断方法。首先采用按列截断方式重构奇异值分解矩阵，根据奇异值差商确定有效阶次，进而对定子电流信号进行预处理以适度抑制噪声，然后运用LS-PA算法对预处理后的信号做故障特征识别和诊断。有限元仿真和实验分析结果表明，所提出的方法能有效抑制电流信号噪声，具有短时数据高分辨率的诊断性能，在工频和变频供电时均能实现电机轻载到满载全工况稳定运行条件下的转子断条故障诊断，诊断性能高于经典的FFT方法。

摘要:为解决基于电流的中点箝位式三电平逆变器开路故障诊断易受负载变化影响的问题，本文从提升故障特征区分度入手，首先，基于SMA优化VMD的最佳模态数K及惩罚系数α，改善模态混叠现象，提高了故障特征的独立性。其次，基于小波包能量分布相对平稳，能有效克服负载影响的特点，将各IMF的两层小波包能量最大值作为故障特征量，在克服负载影响的同时，使时频特征信息更集中，进一步提高了故障特征区分度。最后，将上述故障特征应用于神经网络进行训练，并引入SSA对模型的权值和阈值进行优化，解决了模型局部最优问题，提升了故障辨识的准确性。通过NPC三电平逆变电路模拟17种开路故障的仿真实验，结果表明，该方法的诊断准确率达到98.99%，适用于变负载工况下NPC三电平逆变器在线故障诊断。

摘要:针对滚动轴承振动信号特征在强噪声的情况下难以提取的问题，提出了一种基于合成谱峭度优化变分模态分解的方法。首先，对原始故障信号进行变分模态分解，依据合成谱峭度值最大的原则分别优化VMD的关键参数—模态数和惩罚因子，得到若干本征模态分量；然后，计算各IMF峭度，选取峭度值最大的分量作为最优IMF；最后，对最优本征模态分量进行希尔伯特变换，以获得其包络谱，从而实现故障特征频率的提取。通过公开数据集和自制试验台相关数据的分析，表明所提方法能在强噪声背景下有效提取故障信号的故障特征，实现故障类型的判别。

摘要:针对航空发动机运行过程中出现的气路故障问题，提出了一种基于卷积神经网络(CNN)结合秃鹰搜索算法(BES)优化极限学习机(ELM)的航空发动机气路故障诊断模型。通过CNN对航空发动机气路数据进行学习并提取出隐藏在数据中的故障特征，引入BES算法对ELM的权重和偏置进行寻优，使用优化后的ELM对CNN所提取的抽象特征进行分类，从而达到故障诊断的目的。实验结果表明，基于CNN-BES-ELM的模型其平均准确率达到了97.80%，较CNN-ELM、CNN和ELM等方法分别提高了2.7%、5.4%和7.35%，较常用的深度学习模型如深度置信网络(DBN)和堆叠自编码器(SAE)，其准确率分别提高了5.4%和3.4%；并且在随机噪声、高斯噪声和椒盐噪声等噪声环境下仍保有90%以上的准确率，整体表现出良好的诊断性能、泛化能力和抗噪能力，为其在航空发动机气路故障诊断中的实际应用提供了理论依据。

摘要:在机械设备故障诊断中，输入特征向量的差异会影响诊断精度，为了提高智能制造模式下滚动轴承故障诊断的准确性和可靠性，提出一种基于变分模态分解（VMD）和时频域熵的故障特征提取结合改进的白鹭群算法（IESOA）优化BP神经网络的故障诊断方法。首先，借助变分模态分解，成功解决模式混叠的问题；其次，提取各模态分量的时域香农熵和频域频谱熵构造故障特征向量，作为故障诊断模型的输入；再次，引入霍尔顿序列初始化白鹭种群，增强白鹭群优化算法的全局寻优能力，构建改进的白鹭群算法以优化BP神经网络（IESOA-BP），最后用美国凯斯西储大学轴承数据集进行仿真；研究结果表明，VMD加时频域熵表征故障特征信息更丰富；相较于传统BP、PSO-BP、SSA-BP、ESOA-BP、SCESOA-BP等方法，IESOA-BP方法在滚动轴承故障诊断方面表现出更高的分类准确率和更好的稳定性。

摘要:针对传统卷积神经网络（CNN）对弧齿锥齿轮箱的故障识别准确率不高这一问题，提出一种基于深度分离卷积神经网络（DCNN）和双向长短时记忆网络（Bi-LSTM）的弧齿锥齿轮箱智能故障诊断方法。首先，对原始信号进行小波阈值降噪处理，将降噪后的信号利用经验模态分解（EMD）算法进行了分解；然后，对分解出的本征模态函数（IMF）的各个分量进行峭度计算，选取峭度值最高的IMF分量重构成新的振动信号输入模型进行训练；之后，将振动信号重叠采样获得大量信号样本，将这些样本通过深度分离卷积神经网络从一维原始振动信号中自适应的提取空间特征信息，提取的特征进一步输入到双向长短时记忆网络，同时提取正、逆时域的振动信号，以更好的提取故障特征；同时，在深度分离卷积中加入了残差网络对数据特征进行了复利用，并对卷积核进行了深度分离，解决了深度模型的网络退化问题；最后，将特征信息输入到已经训练好的DCNN-Bi-LSTM模型中,对弧齿锥齿轮箱故障诊断识别。结果表明，该方法可以准确的识别齿轮箱故障，最高诊断准确率可达100%。并且，该方法比传统的卷积神经网络的准确率更高，抗噪能力更强，网络收敛速度更快，诊断结果更稳定。

摘要:针对SVM在变压器故障诊断中存在诊断精度不高和BWO算法存在易陷入局部最优的问题，提出一种基于EBWO-SVM的变压器故障诊断方法。首先通过引入准反向学习策略和旋风式觅食策略对BWO算法进行改进，然后将EBWO算法与粒子群优化算法、灰狼优化算法、鲸鱼优化算法、白鲸优化算法在6种测试函数上进行寻优测试，验证了EBWO算法的优越性。其次利用EBWO算法对SVM中的核函数参数g和C进行优化，从而提高SVM的分类能力。最后提出其他方法与EBWO-SVM模型进行对比。结果表示：所构建的EBWO-SVM变压器故障诊断模型与BWO-SVM、WOA-SVM、GWO-SVM、PSO-SVM相比，综合诊断精度分别提高了7.7%、9.7%、11.6%、15.4%，且稳定性更强，验证了EBWO-SVM模型的可行性与有效性。

摘要:滚动轴承在旋转机械中发挥着重要作用，若出现故障，轻则引起设备停机，重则危及现场人员生命安全，因此有必要对其进行故障诊断。针对滚动轴承故障特征难以提取，传统分类方法正确率不高的问题，本文提出一种基于集合经验模态分解（EEMD）能量熵和金豺优化算法（GJO）优化核极限学习机（KELM）的故障诊断方法，实现了提取滚动轴承故障特征并正确分类的目标。通过实验数据进行验证，该方法能够提取到滚动轴承原始信号中隐含的故障信息特征，其诊断正确率高达98.47%。