科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于数据驱动的故障诊断取得了一定的成就，但是，在工业生产中，由于源域数据和目标域数据分布有差异且有标签的故障数据量较少，以至于以往所提出的域适应轴承故障诊断算法精度普遍不高。鉴于此，本文提出了MDANN（Multi Domain Adaptation Neural NetWork）的故障诊断方法，用于无标签数据的滚动轴承故障诊断。首先，使用小波包分解与重构（WPT）对原始振动信号进行处理，以降低信号冗余并避免关键信号特征遗失。其次，利用多层最大均值差异算法（MK-MMD）对输入特征值进行差异计算，并通过反向传播更新MDANN的网络参数，使得网络可以提取域不变特征。最后，为保证无标签目标域数据可以正常参与网络训练，使用最大概率标签作为真实标签的伪标签策略，解决目标域无标签数据无法训练问题，增强模型可靠诊断知识的获取。本文采用两个公开数据集CWRU和PU进行验证，实验结果表明，所提方法与常见的域适应方法对比具有更高的诊断精度，说明该方法能够有效地学习可迁移特征，拟合两个数据集之间的数据分布差异。
- 单位
