科研之友
微信
新浪微博
Facebook
分享链接
摘要
高速列车在行驶过程中，其滚动轴承的工况往往会发生变化，如转向架的轴箱轴承转速变化等，在此情况下，传统的基于非平稳信号分析的滚动轴承故障诊断技术很难对故障进行有效检测。为了在变化的工况下实现故障类型的自适应识别，基于深度迁移学习的滚动轴承智能故障诊断技术逐渐被应用于轴承故障诊断领域中。然而，深度迁移学习智能故障诊断技术在工程应用中仍存在模型复杂度高的问题。此外，传统领域适配方法在进行迁移诊断时主要进行整体领域差异的对齐，忽略了不同域下同一故障状态的子域特征分布，导致模型的泛化能力差。同时，领域适配在滚动轴承智能故障诊断中的应用主要集中在单源领域，当源领域和目标领域数据分布差异过大时，单个源领域学习到的数据特征有限，可能无法达到较高的可迁移性。为改善上述问题，提出一种稀疏性多源完全领域适配迁移诊断方法，为验证所提算法的有效性，采用不同的故障数据建立不同的故障诊断场景并进行分析。结果表明，该方法中提出的周期循环稀疏设计模式使得卷积层和全连接层的权重矩阵包含大量规则排列的零权重参数，能够有效降低模型的复杂度。同时，该方法在进行数据特征的迁移时，考虑了全局和局部差异的对齐，能够一定程度改善模型的泛化能力。此外，通过不同数目源领域的试验验证分析，表明多源领域适配方法具有较好的迁移诊断效果，对于迁移诊断技术的实际应用具有一定的指导意义。
-
单位西南交通大学; 牵引动力国家重点实验室
