基于深度子空间学习和数据增强的滚动轴承故障诊断方法

作     者：张帅帅 张超 王肖锋 ZHANG Shuaishuai;ZHANG Chao;WANG Xiaofeng

作者机构：天津理工大学天津市先进机电系统设计与智能控制重点实验室天津300384 彼合彼方机器人(天津)有限公司天津300401 天津理工大学机电工程国家级实验教学示范中心天津300384 

出 版 物：《光电子.激光》 (Journal of Optoelectronics·Laser)

年 卷 期：2025年第36卷第1期

页      面：69-76页

学科分类：08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0838[工学-公安技术] 

基　　金：天津市科技计划重大专项(20YFZCGX00550)资助项目 

主　　题：滚动轴承 主成分分析网络(PCANet) 数据增强 L_(2,1)范数 故障诊断 

摘      要：主成分分析网络(principal component analysis network,PCANet)作为一种基于深度子空间学习框架的网络模型,在多个应用领域展现出卓越的性能。然而,在滚动轴承故障诊断方面,PCANet算法存在无法准确反映数据完整结构信息、鲁棒性差以及泛化能力较弱等问题。本文针对这些问题,提出了一种基于PCANet算法和数据增强的滚动轴承故障诊断方法。该方法利用L_(2,1)范数学习滚动轴承振动信号的频域稀疏结构,从而抑制噪声数据,提高模型鲁棒性。此外,通过数据增强处理,不同类别的训练样本之间的差异性也得到显著增加,从而提高了模型的泛化能力。最后,实验结果表明,该方法明显提高了PCANet模型的鲁棒性和泛化能力,能够准确识别不同类型的滚动轴承故障。