基于深度残差收缩迁移网络的复杂工况下滚动轴承故障诊断

作     者：陈仁祥 张晓 朱玉清 徐向阳 杨宝军 CHEN Renxiang;ZHANG Xiao;ZHU Yuqing;XU Xiangyang;YANG Baojun

作者机构：重庆交通大学交通工程应用机器人重庆市工程实验室重庆400074 重庆智能机器人研究院重庆400714 

出 版 物：《振动与冲击》 (Journal of Vibration and Shock)

年 卷 期：2024年第43卷第3期

页      面：194-200页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080202[工学-机械电子工程] 08[工学] 081104[工学-模式识别与智能系统] 070206[理学-声学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0702[理学-物理学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(51975079) 重庆市教委科学技术研究项目(KJZD-m202200701) 重庆市研究生联合培养基地项目(JDLHPYJD2021007) 重庆市专业学位研究生教学案例库项目(JDALK2022007) 重庆市研究生教育课程思政示范项目(YKCSZ23128) 重庆交通大学研究生科研创新项目(2022S0040) 

主　　题：噪声 不同转速 残差收缩迁移 滚动轴承 故障诊断 

摘      要：针对噪声和不同转速的复杂工况下滚动轴承故障诊断问题,提出一种基于深度残差收缩迁移网络的复杂工况下滚动轴承故障诊断方法。在深度残差收缩网络中加入领域适配层构建出具备降噪与适配能力的深度残差收缩迁移网络,从而减小噪声带来的干扰及转速变化导致的分布差异。首先,利用注意力机制学习经卷积层后各特征通道的重要性自动设定一组阈值,借助软阈值化将阈值范围内的特征置为零,减少噪声带来的干扰;然后,通过边缘分布适配对齐两域特征分布,减小转速变化带来的分布差异;最后,在Softmax分类层下实现端到端的复杂工况下滚动轴承故障诊断。复杂工况下滚动轴承故障诊断试验验证了所提方法的可行性和有效性。