基于多表示动态自适应的不同工况下滚动轴承故障诊断

作者：朱继扬,孙虎儿,张天源,等. 日期：2023-04-20/span> 浏览：483 查看PDF文档

摘要:在对不同工况下的滚动轴承进行故障诊断时,要收集足够多标记的故障样本是非常困难的。为此,以原始振动信号作为神经网络的输入,通过多表示动态自适应(MRDA)算法多表示对齐可迁移的特征、自适应动态的衡量边缘分布和条件分布相对重要性,从而构建了一种新的深度迁移模型,即一维多表示空洞动态自适应迁移网络(1D MRDDATN)。首先,对迁移学习数据分布进行了问题分析,对DDA进行了理论推导;然后,在一维空洞卷积基础上,创建了一维多表示空洞卷积神经网络(1D MRDCNN),并提出了MRDA算法和多表示动态自适应结构(MRDAM),形成了一维多表示空洞动态自适应迁移网络(1D MRDDATN);最后,采用美国凯斯西储大学(CWRU)的滚动轴承数据集进行了实验验证。研究结果表明:与传统的深度迁移学习方法相比,上述方法的平均诊断准确率有所提升,可达到98%以上;MRDA通过多表示对齐来完成不同工况下的跨域分类任务,自适应地捕获不同方面的信息,可以获得更好的性能。

关键词:不同工况;一维多表示空洞动态自适应迁移网络;故障样本;深度迁移学习;多表示动态自适应算法;神经网络;一维多表示空洞卷积神经网络

中图分类号:TH133.33文献标识码:A文章编号:1001-4551(2023)02-0178-09


本文引用格式:

朱继扬,孙虎儿,张天源,等.基于多表示动态自适应的不同工况下滚动轴承故障诊断［J］.机电工程,2023,40(2):178-185,203.

ZHU Ji-yang, SUN Hu-er, ZHANG Tian-yuan, et al. Rolling bearing fault diagnosis under different working conditions based on MRDA［J］.Journal of Mechanical & Electrical Engineering, 2023,40(2):178-185,203.