科研之友
微信
新浪微博
Facebook
分享链接
摘要
在实际的工业场景中，对旋转机械进行故障诊断时，存在着标签故障样本不足和数据分布差异的问题，为此，基于深度特征选取和迁移学习方法，提出了一种新的跨域故障诊断方法。首先，利用深度自编码器进行了深度特征提取，利用不同激活函数下的深度自编码器提取出的深度特征，构建了深度特征池；然后，采用提出的面向跨域诊断的特征选取方法，选取了可迁移特征用于后续的特征迁移学习，利用所提出的改进联合分布适应方法，降低了源域和目标域特征数据间分布差异；最后，基于经迁移学习后的有标签源域样本和无标签目标域样本，对故障识别分类器进行了训练，并利用机械故障模拟实验台的轴承和电机故障数据，开展了旋转机械跨域故障诊断的实验。研究结果表明：与对比模型相比，所提出的方法能够取得更优秀的跨域故障诊断性能；在选取合适的特征数时，其最大故障诊断准确率明显高于其他对比模型(其中，轴承为95.42%,电机为88.67%)。
-
单位机电工程学院; 安徽大学; 浙江工业职业技术学院
