基于迁移学习的滚动轴承在线故障诊断

作者：毛冠通^*; 洪流; 王景霖

来源：航空科学技术, 2020, 31(01): 61-67.

DOI：10.19452/j.issn1007-5453.2020.01.008

• 卷积神经网络
• 在线故障诊断
• 短时傅里叶变换
• 迁移学习

故障检测与诊断是工业设备稳定、可靠、安全运行的关键。近年来,由于深度学习模型具有自动特征识别的能力,在数据驱动故障检测方法中得到广泛的应用。一般来说,深度学习模型都是针对同一问题的历史数据进行训练,然后使用同源新数据在训练好的模型里进行检测。而迁移学习能够有效地解决目标域与源域中不同但相似的问题,因此本文提出一种基于迁移学习的卷积神经网络(TCNN)在线故障诊断方法。首先,通过短时傅里叶变换(STFT)将时域信号数据转换为包含丰富信息的频域图像,作为适合卷积神经网络(CNN)的输入。然后,构建在线CNN,在线CNN能够从频域图像中自动提取特征并进行故障分类。最后,为了提高在线CNN的实时性,还构建了多个离线CNN,并对相关数据集进行了预训练。通过将离线CNN的浅层结构迁移到在线CNN,在线CNN可以显著提高实时性,成功地解决了在有限训练时间内达到期望的诊断精度问题。提出的方法在CWRU大学轴承数据集上进行了验证,达到了预期的诊断精度。

• 单位
  机电工程学院; 武汉理工大学