基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法

摘要：

针对轴承故障样本少导致识别精度低的问题,提出一种基于无监督迁移成分分析(unsupervised transfer component analysis,UTCA)和深度信念网络(deep belief network,DBN)的故障诊断方法.首先利用UTCA的核函数将不同工况样本特征映射到一个共享再生核Hilbert空间中,使得源域和目标域样本集更加相似,并通过最大均值偏差嵌入法(maximum mean discrepancy embedding,MMDE)判断能够迁移的源域数据,将源域样本迁移到目标域中,为深度学习提供充足的训练样本,解决了实际故障样本较少的问题;然后采用DBN模型对源域样本进行训练,再对映射后无标记的目标域样本进行故障诊断分析.利用不同工况下的滚动轴承实验数据进行算法验证,结果表明,与普通DBN、SVM、BPNN以及传统机器学习-UTCA融合方法相比,本文方法对滚动轴承故障的诊断精度更高.

关键词：故障诊断、滚动轴承、无监督迁移成分分析、深度信念网络、迁移学习、深度学习

所属期刊栏目：42

分类号：TH165+.3;TH133.33

资助基金：国家自然科学基金资助项目51775391;装备预研基金项目6142223180312

在线出版日期：2019-12-04（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：456-462