基于一维卷积注意力门控循环网络和迁移学习的轴承故障诊断

作者：石静雯; 侯立群^*

来源：振动与冲击, 2023, 42(03): 159-173.

DOI：10.13465/j.cnki.jvs.2023.03.018

• 故障诊断
• 迁移学习
• 深度学习
• 门限循环单元

针对实际应用中轴承故障数据获取困难，导致其故障诊断模型的准确性和泛化能力下降的问题，提出了一种基于一维卷积注意力门控循环网络(1DCNN-Attention-GRU)和迁移学习的轴承故障诊断方法。首先，构建基于一维卷积网络(1D convolutional neural networks, 1DCNN)、门控循环网络(gated recurrent unit, GRU)和注意力机制(Attention)的故障诊断网络，解决传统故障诊断方法特征提取过于依赖人工经验的问题；然后，引入迁移学习，利用充足的源域数据训练网络，冻结训练好的网络底层结构，再利用少量目标域数据对网络顶层结构进行微调，得到目标网络模型；最后，采用Softmax函数进行故障分类。实验结果表明，所提方法在不同训练样本比例下的故障诊断准确率均高于1DCNN-GRU、GRU以及支持向量机(support vector machine, SVM),并能在变工况及小样本数据下获得较高的故障诊断准确率，当使用3%目标域数据进行微调时，故障诊断准确率高于98%。

• 单位
  华北电力大学