科研之友
微信
新浪微博
Facebook
分享链接
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(MRAN)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)，形成一维多表示空洞动态自适应迁移网络（1D MRDDATN)；最后，为了验证上述方法的有效性，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进行相比，上述方法的平均诊断准确率有所提升，并可达到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。
- 单位
