无监督领域自适应轴承故障诊断方法研究

作     者：吴晟凯 邵星 王翠香 皋军 WU ShengKai;SHAO Xing;WANG CuiXiang;GAO Jun

作者机构：盐城工学院信息工程学院盐城224051 盐城工学院机械工程学院盐城224051 

出 版 物：《机械强度》 (Journal of Mechanical Strength)

年 卷 期：2024年第46卷第3期

页      面：527-539页

学科分类：081203[工学-计算机应用技术] 08[工学] 080202[工学-机械电子工程] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金项目(61502411,62076215) 教育部新一代信息技术创新项目(2020ITA02057) 江苏省研究生科研与实践创新计划项目(SJCX22_XZ035,SJCX22_XY061)资助 

主　　题：领域自适应 迁移学习 无监督学习 故障检测 旋转机械 

摘      要：针对基于深度学习的轴承故障诊断算法在不同工作条件和真实环境中故障样本缺乏标记的情况下诊断效果不佳的问题,提出了一种无监督的领域自适应轴承故障诊断方法,实现在无监督的情况下对不同工况的轴承进行故障诊断。首先,用快速傅里叶变换对数据进行预处理,并用卷积神经网络提取轴承故障的特征。然后,通过生成对抗网络中反转标签的方法使源域和目标域输出的特征分布趋同。最后,使用源域的分类器完成不同工况下的轴承故障诊断任务。为验证该方法有效性,在美国凯斯西储大学轴承数据集和德国帕德博恩大学轴承数据集上开展验证实验。验证结果表明,可使用无标签的目标域数据完成迁移任务,在两个数据集上表现出了较好的迁移效果,取得较高的诊断准确率。