题目：基于认知计算的机电产品故障诊断技术研究——一种深度学习与迁移学习的方法

机电产品的现代化程度日益提高，结构日益复杂，机电产品的故障诊断成为了当前的热点研究方向。有效的故障特征提取，以及大量的故障诊断模型训练数据，是故障诊断算法有效运行的保障。然而目前人工特征工程所具有不确定性和高成本，故障数据缺失导致的诊断模型无法开发，故障数据获取的高昂成本等问题，给故障诊断技术的工程应用带来了难题和挑战。

人脑在认知过程中能够实现逐层抽象的自动特征提取，以实现自主认知，并且对能够迁移应用先前认知到的特征与知识，实现对于具有相似性、相关性的事物的强化认知。人脑认知的这一特点，对于解决上述提出的特征提取、数据缺失、诊断模型训练开发及其成本等方面的问题具有极为重要的借鉴意义。

认知计算是指采用数学模型对认知过程进行模拟，深度学习与迁移学习是认知计算最前沿的研究方向之一。深度学习的抽象特征学习能力与大脑的学习过程相似，而迁移学习与大脑认知、学习与应用的过程相似。因此，本文针对上述提出的问题，采用认知计算中的深度学习与迁移学习方法，从特征提取、故障诊断、故障检测、健康评估等方面研究机电产品的故障诊断技术。

针对旋转机械，采用深度学习中的稀疏自动编码算法实现特征自学习，采用降噪自动编码算法实现鲁棒特征自学习，采用层叠稀疏自动编码器与层叠降噪自动编码器实现逐层抽象的特征自学习。在自学习特征提取基础之上，结合Softmax分类算法，实现故障诊断。利用旋转机械的振动信号数据、声音信号数据以及多工况下的数据，分别验证基于深度学习分类器的故障诊断方法有效性。

针对控制系统，将深度学习的复杂函数拟合优势与模型平均方法提升机器学习算法泛化能力的优势相结合，用于构建控制系统故障观测器与故障检测自适应阈值模型，从而实现控制系统的自适应故障检测。利用飞机旋转作动器驱动装置的故障仿真数据，进行基于深度学习回归器的控制系统自适应故障检测方法有效性。

对于机电设备健康评估，利用深度学习特征自学习以及多源信息融合的思想，通过在数据层输入参数特征自学习，在特征层多层融合自学习的方法，实现各输入参数的多层特征融合。利用重构学习的方法，提高多层特征融合的效果，并将多层融合自学习得到的特征，采用逻辑斯蒂回归模型实现多输入条件下的多层特征融合健康评估。利用NASA锂电池数据进行所提健康评估方法的有效性检验。

针对故障数据缺失条件下的故障诊断模型开发问题，将大量的相似设备数据（辅助训练数据）与目标任务数据映射至数据相似性更高的同一特征空间，然后利用TrAdaBoost算法进行可用数据的筛选，从而将辅助训练数据借用于目标任务的模型训练，从而实现故障诊断。利用美国西储大学的两个相似轴承数据进行基于迁移学习的相似机电设备故障诊断方法的有效性检验。