基于深度迁移的SSDAE滚动轴承故障诊断方法研究

作者：徐宏飞; 张卫华; 宋冬利^*; 陈丙炎

来源：噪声与振动控制, 2021, 41(06): 112-118.

• 故障诊断
• 滚动轴承
• 自编码器
• 迁移学习
• 神经网络

滚动轴承是旋转机械的关键零部件,一旦出现故障会加剧其周围部件性能的衰退,引起机械设备运行品质降低,甚至造成严重事故,所以对轴承进行故障诊断至关重要。针对轴承实际健康状态的标记稀缺性,提出一种求解领域自适应的迁移学习方法。采用大量的源域数据训练模型,并将训练得到的特征应用于目标模型,运用少量的目标域数据微调模型,解决目标数据稀缺问题。为此,提出一种基于迁移学习理论的轴承故障诊断模型,该模型由堆叠稀疏去噪自编码器(SSDAE)和柔性最大值函数(softmax)组成,引入KL散度提高数据的重建能力,并引入最大均值差异(MMD)评估并缩小源域和目标域的分布差异。基于美国凯斯西储大学轴承数据中心数据的分析结果表明,所提方法相较于普通SSDAE算法以及SAE算法具有更高轴承故障诊断精度和稳定性。

• 单位
  牵引动力国家重点实验室; 西南交通大学