基于深度度量学习的轴承故障诊断方法

作     者：李小娟 徐增丙 熊文 王志刚 谭俊杰 LI Xiaojuan;XU Zengbing;XIONG Wen;WANG Zhigang;TAN Junjie

作者机构：冶金装备及其控制教育部重点实验室武汉430081 武汉科技大学机械自动化学院武汉430081 中国船舶工业集团公司第708研究所喷水推进技术重点实验室上海200011 

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

年 卷 期：2020年第39卷第15期

页      面：25-31页

核心收录：

学科分类：0711[理学-系统科学] 1002[医学-临床医学] 07[理学] 08[工学] 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] 080201[工学-机械制造及其自动化] 0801[工学-力学（可授工学、理学学位）] 0702[理学-物理学] 

基　　金：国家自然科学基金(51775391) 装备预研基金(6142223180312)。 

主　　题：深度度量学习 轴承 故障诊断 相似度 

摘      要：针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。