科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对不同工况下轴承监测数据分布差异性导致的诊断精度下降问题，基于深度学习与迁移学习，提出一种多领域深度对抗迁移网络，用于变工况下轴承的智能诊断。将不同工况下的样本集视作属于不同的领域，在特征提取时利用深度残差网络将轴承源域的训练数据与目标域的测试数据映射到高维特征空间，提取监测数据高层抽象的特征表示；设计多领域对抗模块，以支持多故障模式的轴承样本在不同领域对抗模块上进行对抗迁移训练，保障源域与目标域数据在特征空间中的分布有效对齐；在利用源域数据训练故障分类器时引入标签平滑约束，增强故障识别的泛化能力，将源域故障诊断知识迁移到目标域数据的故障信息识别，实现变工况下的轴承智能诊断。利用变工况下的齿轮箱轴承故障数据集与电机轴承数据集对提出方法进行验证，结果表明：相比其他方法，提出的新方法考虑了轴承监测数据的多故障模式结构，更好地提取了领域不变特征，提升了变工况下轴承故障的识别精度。
- 单位
