基于改进残差网络的风电轴承故障迁移诊断方法

作     者：邓林峰 王琦 郑玉巧 DENG Lin-feng;WANG Qi;ZHENG Yu-qiao

作者机构：兰州理工大学机电工程学院甘肃兰州730050 

出 版 物：《振动工程学报》 (Journal of Vibration Engineering)

年 卷 期：2024年第37卷第2期

页      面：356-364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] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(62241308) 甘肃省技术创新引导计划-科技专员专项资助项目(22CX8GA130) 

主　　题：故障诊断 风电轴承 振动信号 卷积神经网络 残差网络 

摘      要：针对风电轴承故障源域数据和目标域数据特征分布不同而导致的故障诊断精度偏低问题,提出一种利用改进残差神经网络进行风电轴承故障迁移诊断的方法。该方法将卷积核和池化核设定为与一维振动信号卷积运算相适应的尺寸,从振动信号直接提取轴承的故障特征;在一维残差网络中同时使用批量归一化和实例归一化,进一步增强模型的特征提取能力;在模型训练阶段,通过源域数据和目标域数据的多核最大均值差异构建新的损失函数,以提高模型在不同分布数据集上的迁移学习及分类能力。利用故障轴承实验数据对方法的有效性进行验证,结果显示,即使受到轴承变转速运行工况和故障振动信号含噪声干扰成分的双重影响,该方法仍然可提取出轴承故障的重要特征,并实现不同工况轴承故障的迁移诊断和准确分类,这对于发展复杂环境下的旋转机械智能故障诊断技术具有参考价值。