类别标签辅助改进稠密网络的变工况轴承故障诊断
Fault diagnosis of variable condition bearing based on improved dense network aided by class labels作者机构:燕山大学信息科学与工程学院河北秦皇岛066004 燕山大学河北省信息传输与信号处理重点实验室河北秦皇岛066004 燕山大学河北省测试计量技术及仪器重点实验室河北秦皇岛066004 河南大学人工智能学院郑州475000
出 版 物:《振动与冲击》 (Journal of Vibration and Shock)
年 卷 期:2022年第41卷第17期
页 面:204-212页
核心收录:
学科分类:08[工学] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器]
基 金:国家自然科学基金(61973262) 河北省自然科学基金(E2020203061) 河北省高等学校科学技术研究项目(QN2019133) 河北省重点实验室项目(202250701010046) 河南省青年人才托举计划(2021HYTP014)。
主 题:轴承故障诊断 变工况 稠密卷积网络 注意力机制 类别标签辅助
摘 要:基于数据驱动的滚动轴承智能故障诊断得到广泛研究,但多数研究中均假设训练数据与测试数据同分布,考虑到旋转机械实际运转中复杂多变的工况往往导致数据分布产生偏差,使得识别方法的通用性差、实际识别效果不佳。将域适应引入轴承故障诊断过程中,基于迁移学习提出了一种特征空间域和标签概率分布同步适应的迁移学习网络。该网络将一维稠密卷积网络及注意力机制融合实现复杂故障特征的自动提取;域适应处理通过联合最小化特征概率分布差异和标签概率分布差异来约束网络学习域不变特征;最终对变工况滚动轴承故障实现了高准确度的识别。实验结果表明了该方法的可行性及良好的性能。