科研之友
微信
新浪微博
Facebook
分享链接
摘要
在实际工业环境中，往往缺乏相应工况的轴承故障数据用于模型训练，这限制了深度学习在工业场景中的应用。基于此，采用两种建模方式生成了轴承故障信号，将其用于训练模型，并利用深度子领域自适应方法，缩小了模拟信号和真实信号间的差异，提升了模型对真实信号的诊断精度。首先，采用数学建模和基于LS-DYNA的有限元仿真两种方式建立了轴承故障仿真模型，以获取与实际场景相同工况下的轴承故障仿真加速度信号；其次，针对仿真数据和真实数据存在差异的问题，利用子领域自适应方法得到了对齐仿真数据和实际数据的全局特征分布以及相关子领域的特征分布；最后，采用原始一维振动信号作为输入，在残差神经网络（ResNet）模型架构上完成了端到端的轴承故障分类工作；将德国帕德博恩大学采集到的轴承故障信号作为实验数据，对上述模型的有效性进行了验证。研究结果表明：相较于有限元仿真，数学建模生成的仿真信号能够较轻易地迁移到实际信号，在无标签数据场景下具有99.73%的轴承故障识别精度，体现了数学建模在无监督轴承故障诊断领域的广阔应用前景，是在真实工业系统和人工智能之间架起桥梁的关键技术。
- 单位
