基于迁移学习的车轴故障诊断方法研究

作     者：俞宝库 

作者单位：大连理工大学 

学位级别：硕士

导师姓名：周勇

授予年度：2022年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 080204[工学-车辆工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：迁移学习 车轴故障诊断 声发射信号 卷积神经网络 

摘      要：车轴作为轨道车辆的主要载重和运行部件之一,在长期高负荷的运转状态下相较于其他零部件更容易产生故障。因此,如何有效地对车轴的健康状况进行诊断,从而避免车轴故障带来的损失有着重大的意义。当前,现有的车轴故障诊断方法存在一系列问题,本文以声发射信号为研究对象,提出了一类基于迁移学习的车轴故障诊断方法,实现了对车轴故障特征的有效提取和准确识别。本文的主要工作如下:（1）针对原始的一维声发射信号存在的特征提取困难和数据量较少的问题,通过采用凯斯西储大学的轴承故障振动信号作为源域数据,利用一维卷积神经网络可以在不丢失时序特征的情况下进行局部特征提取的特点,构建深度神经网络模型（PTL-WDCNN）作为特征提取器,再将模型的参数迁移到数据量较少的目标域声发射信号故障诊断任务中。（2）针对声发射信号在处理过程中存在的部分重要特征遗漏的问题,引入了连续小波变换将原始的一维声发射信号转换为二维的时频图像,用于获取原始信号的多维度特征信息。其次,引入预训练的Efficient Net B0网络模型并添加条件参数化卷积结构用于提取声发射信号二维时频图特征。最后,利用支持向量机替代Soft Max作为分类器对模型所提取的特征进行训练。（3）针对不同工况下的声发射信号数据存在的特征分布不一致的问题,通过计算不同工况的联合判别概率最大均值差异（DJP-MMD）最小化源域和目标域的概率分布差异,并将其加入到模型训练的目标函数中,使得两个域在同一特征空间满足相同分布。从而利用在一种工况下的声发射信号数据训练得到的模型,对其他工况进行故障诊断。通过实验论证,本文所提出的方法能够对车轴的声发射信号进行有效的故障特征分析,提高了在样本量较少和不同工况下的车轴故障诊断精度,在大大减少训练时间和计算成本的同时,扩大了已有的故障诊断方法的应用范围,为车轴的智能故障诊断研究提供了新的思路。