科研之友
微信
新浪微博
Facebook
分享链接
摘要
近年来,深度学习技术已在滚动轴承故障检测和诊断领域取得了成功应用,但面对不停机情况下的早期故障在线检测问题,仍存在着早期故障特征表示不充分、误报警率高等不足.为解决上述问题,本文从时序异常检测的角度出发,提出了一种基于深度迁移学习的早期故障在线检测方法.首先,提出一种面向多域迁移的深度自编码网络,通过构建具有改进的最大均值差异正则项和Laplace正则项的损失函数,在自适应提取不同域数据的公共特征表示同时,提高正常状态和早期故障状态之间特征的差异性;基于该特征表示,提出一种基于时序异常模式的在线检测模型,利用离线轴承正常状态的排列熵值构建报警阈值,实现在线数据中异常序列的快速匹配,同时提高在线检测结果的可靠性.在XJTU-SY数据集上的实验结果表明,与现有代表性早期故障检测方法相比,本文方法具有更好的检测实时性和更低的误报警数.
- 单位
