科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对当前因滚动轴承故障数据难以获取，而导致智能故障诊断模型难以训练的问题，提出一种仅依靠正常类样本进行训练的自监督深度一类分类方法用于滚动轴承早期故障预警。该方法在深度一类分类模型的基础上引入了多任务和自监督机制。采用深度残差网络提取输入信号的深层特征，将所提特征分别作为多个子任务的输入，其中支持向量描述(SVDD)分类子任务的输出结果，作为其余子任务的监督标签，通过所建立的联合损失函数，仅依靠正常类样本即可完成模型的自监督学习。在将所提方法用于滚动轴承故障预警时，先对全寿命周期的振动加速度信号进行频带分解和包络分析，将所得不同频段内的信号进行二维编码后作为网络的输入。在两组实际的滚动轴承故障数据集上对所提的方法进行试验验证。验证结果表明，所提深度一类分类方法在进行故障预警时准确率达到99%以上，充分表明本文方法具有很高的故障预警和异常检测能力。
- 单位
