采用深度迁移学习与自适应加权的滚动轴承故障诊断 |
| |
引用本文: | 贾峰,李世豪,沈建军,马军星,李乃鹏.采用深度迁移学习与自适应加权的滚动轴承故障诊断[J].西安交通大学学报,2022(8):1-10. |
| |
作者姓名: | 贾峰 李世豪 沈建军 马军星 李乃鹏 |
| |
作者单位: | 1. 长安大学道路施工技术与装备教育部重点实验室;2. 西安交通大学现代设计与转子轴承系统教育部重点实验室 |
| |
基金项目: | 国家自然科学基金资助项目(52105085);;陕西省自然科学基础研究计划资助项目(2020JQ-365);;中国博士后科学基金资助项目(2020M683393); |
| |
摘 要: | 针对滚动轴承目标域数据中额外故障状态样本影响其故障诊断精度的问题,提出了采用深度迁移学习与自适应加权的滚动轴承故障诊断方法。建立特征提取模块,利用深度卷积神经网络将轴承样本映射到高维特征空间;利用迁移学习思想设计加权领域鉴别器,对样本进行自适应加权,并通过在特征空间的对抗训练,增大目标域与源域共有健康状态样本的领域相似性,抑制目标域额外故障状态样本与源域样本的领域相似性增强;依据样本权重,度量目标域与源域样本的相似性,设定阈值将目标域额外故障状态样本标记为未知故障;将源域故障诊断知识迁移到目标域共有健康状态样本的故障识别中。利用齿轮箱轴承数据、凯斯西储大学滚动轴承数据和机车轮对轴承数据对提出的方法进行验证,结果表明:所提方法在3个数据集上均达到89%以上的诊断精度,而对比方法的诊断精度均低于80%。所提方法能够克服额外故障状态样本的影响,有效实现滚动轴承故障诊断。
|
关 键 词: | 滚动轴承 未知故障 卷积神经网络 深度学习 迁移学习 故障诊断 |
|