科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】针对不同工况下轴承特征提取困难，领域对齐难的问题，提出一种多域联合适应的故障诊断方法M-DJC，包括特征提取网络、分类器和领域鉴别器。【方法】从特征提取和领域对齐两方面考虑。通过使用深度可分离卷积，并结合注意力机制的思想构建特征提取网络DRWNet，增强网络对振动信号深层特征的提取能力；通过构建多域鉴别器，对不同类别样本的可传递性进行量化评估，将难以迁移的样本进行重新加权，充分对齐源域和目标域样本间的数据分布，提高模型诊断精度。【结果】仿真实验表明，在凯斯西储大学轴承数据集上，M-DJC在12个迁移任务上的诊断精度高达99%以上，相较于DANN、CDAN、DDAN、MRAN和MRDA，诊断精度提升了1.84%-7.44%，且模型的收敛速度加快，稳定性提高。【结论】M-DJC模型既能够降低轴承振动信号中的噪声影响，又能提高信号特征的领域对齐能力，更加符合实际工况下轴承故障诊断的需求。
- 单位
