基于ADASYN和Swin Transformer的滚动轴承故障诊断研究

摘要：

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型.使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer 网络模型代替CNN网络,并使用深度迁移学习方法,使Swin Transformer 网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力.实验结果表明:所提模型具有97％的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断.

关键词：自适应综合采样、Swin Transformer模型、轴承故障诊断

所属期刊栏目：51

分类号：TH133.3

资助基金：山西省自然科学基金201901D111239

在线出版日期：2023-10-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：209-215