学生姓名：王紫航
班学生级：测控2017-01班
指导教师：郭亮
毕设题目：小样本约束条件下轴承迁移故障诊断模型设计
一、概况
1.选题意义
滚动轴承是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦来减少摩擦损失的一种精密机械元件，一般由内圈、外圈、滚动体和保持架四部分组成。滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件，它的运行状态直接影响到整台机器的性能。机械设备的运行状态监测和故障诊断对保证设备的安全有效运行至关重要，国内外发生不少由设备故障引发的恶性事故，造成人员伤亡和巨大的经济损失。因此，轴承的故障诊断研究意义重大。
常见的基于机器学习的轴承状态识别方法需要满足两个条件，即能获取足量有标记数据，训练数据和测试数据服从相同的数据分布。然而实际环境中由于种种原因无法大多满足上述条件，迁移学习通过引入源域数据，将源域数据和目标域数据映射至同一特征空间，再将迁移学习模型应用于目标域，能有效解决小样本条件下变工况轴承数据分类问题，完成故障诊断任务。
2.任务分解
（1）了解迁移学习基本思想，学习常见的迁移学习算法。
（2）查阅文献，了解轴承故障机理以及轴承故障诊断实验。
（3）查阅大量文献，了解深度学习和迁移学习在轴承智能故障诊断中的应用并分析其优缺点。
（4）通过轴承振动加速度信号数据，研究分析不同工况条件对轴承振动信号的影响。
（5）研究基于对抗机制的深度迁移学习网络模型，主要包括：
①设计基于卷积神经网络的特征提取网络部分，将源域数据和目标域数据映射至同一特征空间，减小其数据分布差异，学习领域不变特征；
②完成故障诊断部分的网络设计，实现由特征提取器学习的域不变特征到轴承故障类别的映射；
③了解领域对抗思想，完成领域判别器网络部分的设计，通过与特征提取器之间的对抗（特征提取器学习域不变特征，域判别器区分源域和目标域），帮助特征提取器部分学习域不变特征。
将以上三部分网络结构进行分析，设计符合要求的网络结构并通过Python对设计的网络结构进行编程实现。最后适当调整优化网络，完成小样本约束条件下的轴承迁移故障诊断模型设计。
（6）将所提出的深度对抗迁移网络模型与其他常用方法（如DDC，DANN等）进行比较，分析所提出方法的优越性。
（7）学习t分布随机邻近嵌入算法（t-SNE），将源域和目标域特征映射至二维空间，实现迁移结果的可视化。
（8）整理结果并完成论文的撰写。
二、已完成工作
1.查阅文献，学习了解深度学习及迁移学习相关算法
2.查阅大量文献了解轴承故障诊断实验以及深度迁移学习在轴承故障诊断中的应用
3.完成外文翻译
4.分析振动加速度信号在轴承故障诊断应用中的可行性，并通过卷积神经网络CNN和t-SNE算法简单分析不同工况对轴承振动加速度信号特征分布的影响
5.初步设计完成了对抗迁移故障诊断模型并使用凯斯西储大学轴承数据集进行了12组变工况故障诊断实验
6.通过t-SNE算法对迁移结果可视化，初步分析迁移诊断的有效性
三、下一步工作计划
1.对部分变工况迁移诊断实验结果不理想的情况进行原因分析；
2.适当调整优化所设计的对抗迁移故障诊断模型，提高故障诊断实验准确率；
3.使用自己的实测数据集进行故障诊断实验验证算法有效性；
4.与不使用迁移的方法，使用其他迁移诊断的方法进行对比，分析所提方法的有效性；
5.通过python编写简单GUI界面与算法进行结合；
6.整理结果并完成论文的撰写。
问题一：你所使用的编程语言是哪种呢？
回 答：我用的是python语言，深度学习框架使用的是pytorch。
问题二：这里的迁移故障诊断具体是什么意思呢？
回 答：由于轴承的工况是复杂多变的，不同工况下振动数据的分布是不同的，然而我们传统的基于机器学习的故障诊断方法要求训练集和测试集服从相同的数据分布，因此我们使用一种工况下采集的数据训练出来的模型在另一种工况下的数据上测试诊断时准确率会下降，需要进行迁移学习，来达到变工况下的故障诊断目的。
问题三： 你这里的对抗迁移能详细介绍一下吗？
回 答：由于源域和目标域数据有分布差异，迁移的目的是拉近其距离，减小分布差异，模型里的特征提取器目的是为了提取域不变特征，也就是减小差异，而域判别器部分则恰恰相反，目的是尽可能地区分源域和目标域，二者之间的对抗就实现了迁移，最后特征提取器会胜利，学习到域不变特征，标签分类器就能对目标域数据也进行正确分类。
问题四：最后展示的只是单纯的算法吗？
回 答：目前主要解决的是算法的问题，在完成算法后会通过python语言编写一个简单的GUI界面，结合算法进行故障诊断分类的展示。
在此次答辩中，我先简要地向各位老师介绍了我毕业设计的主要工作内容，任务分解以及时间安排；之后详细地介绍目前已完成的各项工作以及后续的一些工作安排。老师们十分耐心地听完整个介绍并对我工作中存在的一些问题予以指出，比如有的老师认为单纯算法展示度不够，建议我增加界面性的内容进行展示，这也是我后期的工作任务之一；老师也对我目前的工作给予了肯定，这对我完成后期毕设任务起到了鼓励作用；在答辩后我也对自己的工作进行了总结反思，比如应该不仅仅使用公开数据集进行算法验证，后期也需要自己在试验台进行实验数据采集进行算法的验证，这样也能对轴承故障实验有进一步的了解，整个工作也更加系统化。总之此次中期答辩收获颇丰，认识到了自己的问题，也对后续的工作安排有了进一步的思考，十分感谢各位老师的指点！
