10.16579/j.issn.1001.9669.2022.03.006
基于无监督特征对齐的滚动轴承故障诊断
针对不同转速环境下采集到的滚动轴承振动数据特征分布不一导致待诊断样本标签较难获取的问题,提出一种基于深度迁移网络的故障诊断方法.首先,搭建领域共享的特征提取网络,利用卷积神经网络(Convolutional Neural Network,CNN)提取振动信号中敏感故障特征,并结合双向长短时记忆(Bi-directional Long Short-Term Memory,BiLSTM)网络进一步提取敏感故障特征中的时间信息;然后,在深度迁移网络中分别嵌入CORAL损失和JMMD损失,通过最小化二阶统计量差异和联合分布最大均值差异值,缩小源域和目标域特征分布差异,进而提取到两域的共同特征;最后,添加Softmax分类层,实现对目标数据的故障状态识别.结果表明,该方法在目标域数据无标签的情况下,平均识别准确率为97.87%,明显高于目前流行的其它5种领域自适应故障诊断方法.
特征分布、领域自适应、CORAL损失、JMMD损失
44
TP18;TH133.33(自动化基础理论)
国家重点研发计划2019YFB150540
2022-06-23(万方平台首次上网日期,不代表论文的发表时间)
共7页
547-553