基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法

作者：谭俊杰; 杨先勇; 徐增丙^*; 王志刚

来源：武汉科技大学学报, 2019, 42(06): 456-462.

DOI：10.3969/j.issn.1674-3644.2019.06.009

• 故障诊断
• 滚动轴承
• 无监督迁移成分分析
• 深度信念网络
• 迁移学习
• 深度学习

针对轴承故障样本少导致识别精度低的问题,提出一种基于无监督迁移成分分析(unsupervised transfer component analysis,UTCA)和深度信念网络(deep belief network,DBN)的故障诊断方法。首先利用UTCA的核函数将不同工况样本特征映射到一个共享再生核Hilbert空间中,使得源域和目标域样本集更加相似,并通过最大均值偏差嵌入法(maximum mean discrepancy embedding,MMDE)判断能够迁移的源域数据,将源域样本迁移到目标域中,为深度学习提供充足的训练样本,解决了实际故障样本较少的问题;然后采用DBN模型对源域样本进行训练,再对映射后无标记的目标域样本进行故障诊断分析。利用不同工况下的滚动轴承实验数据进行算法验证,结果表明,与普通DBN、SVM、BPNN以及传统机器学习-UTCA融合方法相比,本文方法对滚动轴承故障的诊断精度更高。

• 单位
  武汉科技大学; 中国舰船研究设计中心; 自动化学院