10.13465/j.cnki.jvs.2022.06.004
基于DCGAN和DANN网络的滚动轴承跨域故障诊断
实现滚动轴承智能故障诊断需要大量标签数据,但机械设备实际运行中因轴承故障无法提前收集充足振动信号,导致滚动轴承故障模式难以判断.为解决该问题,提出一种有效利用少量样本数据实现领域自适应的迁移学习模型.首先,通过深度生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)实现少量振动信号的模拟式扩充,生成信号保留了真实信号完整的高频和低频特征;其次,通过对抗领域自适应网络(domain-adversarial neural networks,DANN)将源域与目标域特征投射到同一特征空间,实现多领域特征提取与适配;最后,通过智能诊断网络完成变工况下未知标签滚动轴承健康状态的识别.试验结果表明,所提方法在可用样本较少时能准确有效实现滚动轴承跨域故障诊断,准确率均优于其他迁移学习对比模型.
故障诊断、迁移学习、领域自适应、深度生成式对抗网络(DCGAN)、对抗领域自适应网络(DANN)
41
TH878;TG115.28
国家重点研发计划;四川省科技计划;中国博士后科学基金;中铁工程服务资助项目
2022-04-07(万方平台首次上网日期,不代表论文的发表时间)
共9页
21-29