基于迁移学习与加权多通道融合的齿轮箱故障诊断

摘要：

针对齿轮箱单一传感器故障识别精度波动大、数据利用率低、可靠性低及故障诊断模型在多工况下泛化能力不足等问题,提出了一种加权融合多通道数据与深度迁移模型的齿轮箱故障诊断方法.首先,为了充分挖掘齿轮箱多通道数据的信息,提出了基于信息熵加权的多通道融合方法,采用信息熵法计算各通道数据的融合权重,并对各通道的采样数据进行加权融合.其次,利用源域的融合数据对深度迁移模型进行预训练,将预训练得到的模型参数作为目标域模型的初始化参数,同时冻结目标域模型特征提取器的参数,并利用目标域的融合数据对目标域模型分类器的参数进行微调,实现深度迁移模型从源域到目标域的迁移以适应新的目标样本识别任务.最后,齿轮箱多工况迁移诊断试验结果表明,所提方法可有效用于齿轮箱的故障诊断,相比传统迁移学习方法平衡分布自适应算法(balanced distribution adaptation,BDA)、迁移成分分析(transfer component analysis,TCA)、联合分布自适应算法(joint distribution adaptation,JDA)、统计分布和几何空间联合调整算法(joint geometric and statistical alignment,JGSA)、测地线流式核算法(geodesic flow kernel,GFK)及深度迁移学习方法自适应批归一化(adaptive batch normalization,AdaBN)、多核最大均值差异(multi-kernel maximum mean discrepancy,MK-MMD)、深度卷积迁移学习网络(deep convolutional transfer learning network,DCTLN)这 8种当前常用方法,具有更高的平均迁移诊断精度和变工况下良好的泛化性能.

关键词：故障诊断、齿轮箱、深度迁移模型、加权多通道融合、多工况

所属期刊栏目：42

分类号：TH165+.3

资助基金：国家自然科学基金;民航联合研究基金

在线出版日期：2023-05-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：236-246