基于相似性度量迁移学习的轴承故障诊断

摘要：

滚动轴承工况多变,受负荷、转速等因素影响,故障信号的特征分布偏移会显著降低故障诊断模型的泛化能力.针对此问题,提出一种基于相似性度量迁移学习的轴承故障诊断方法.将迁移学习和相似性度量的思想结合,通过相关对齐损失计算变工况故障特征之间的相关性,最小化源域和目标域特征之间的分布差异.同时最大化输入特征与中心特征的相似性,利用目标域预测标签中包含的故障分类信息,提高故障特征聚类的准确性,来增加高相关性特征对模型的贡献度,减小非相关特征的影响.最后利用学习到的特征实现故障分类.在CWRU和自搭建试验平台上进行了对比试验,证明了所述方法能够更加准确地分类故障信号,更好解决不同工况下由特征分布偏移带来的故障诊断难点问题.

关键词：滚动轴承、故障诊断、迁移学习、相似性度量、特征分布

所属期刊栏目：41

分类号：TP206+.3(自动化技术及设备)

资助基金：国家自然科学基金51875375

在线出版日期：2022-09-02（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：217-223