基于迁移学习的矿用主扇风机滚动轴承故障诊断方法
Fault diagnosis method of rolling bearing of mine main fan based ontransfer learning作者机构：中国矿业大学(北京)机电与信息工程学院北京100083
出 版 物：《煤炭科学技术》 (Coal Science and Technology)
年 卷 期：2024年第52卷第S1期
页 面：280-287页
核心收录：
学科分类：12[管理学] 081901[工学-采矿工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0819[工学-矿业工程] 08[工学] 081104[工学-模式识别与智能系统] 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：国家重点研发计划资助项目(2016YFC0600900)
主 题：矿用主扇风机 滚动轴承 故障诊断 迁移学习 加权交叉熵损失
摘 要：矿用主扇风机滚动轴承的状态监测与故障诊断研究对煤矿生产安全具有重要意义。现有的滚动轴承故障诊断方法在实际工况中进行直接应用时存在训练不足、故障诊断准确率不足的问题,且矿用主扇风机滚动轴承长期处于正常运行状态,正常样本的数量远多于故障样本,即存在样本不平衡问题。因此,提出一种基于迁移学习的矿用主扇风机滚动轴承故障诊断方法(TLCNN+加权交叉熵损失)。该方法将常规滚动轴承数据作为源域数据,将矿用主扇风机滚动轴承数据作为目标域数据。首先利用对称极坐标(SDP)方法将振动信号转换为SDP图像;然后利用充足的源域图像样本对常规滚动轴承故障诊断模型进行训练,训练完成后将诊断模型的参数迁移至矿用主扇风机滚动轴承故障诊断模型中;其次迁移过程中对低层网络进行锁定并通过目标域图像样本对模型的高层网络进行微调,便可得到参数权重优化后的矿用主扇风机滚动轴承故障诊断模型。最后,为了解决样本不平衡问题,在模型中添加了加权交叉熵损失函数进行训练,使诊断模型对作为少数类的故障样本赋予更高的权重并在诊断过程中更加关注故障样本,从而提高诊断准确率。为了验证提出方法的有效性,通过常规滚动轴承故障试验台与实际工况中的矿用主扇风机滚动轴承数据进行了试验验证。结果表明所提方法可以对矿用主扇风机滚动轴承的运行状态进行准确识别分类,准确率达99.28%。
维普期刊数据库