基于中间桥层和相似矩阵的深度对抗迁移故障诊断方法

作者：蔡能,武兵,李翔宇,等. 日期：2023-07-18/span> 浏览：373 查看PDF文档

摘要:采用深度对抗迁移学习算法进行故障诊断时,受到领域中丰富的特征属性的影响,在领域自适应中无法充分学习可用于迁移的共有知识特征,且其在类别水平上忽略了不同类别的对齐程度的差异。针对这一问题,提出了一种基于中间桥层和相似矩阵(MBSM)的对抗故障诊断模型,以实现对滚动轴承故障进行跨域诊断识别的目的。首先,利用改进的一维多尺度残差网络对数据的特征进行了提取;然后,引入了中间桥层和相似矩阵,完成了对共有知识特征的充分学习,降低了整体网络的数据传输难度,进一步加强了源域和目标域中同一类别内的聚类和类别之间的分离,提高了故障数据的领域适配能力;最后,采用实验室轴承数据集和美国凯斯西储大学(CWRU)数据集,对基于中间桥层和相似矩阵的模型方法进行了验证。研究结果表明:在自建实验室数据集中,采用基于中间桥层和相似矩阵的方法可以达到90.37%的平均准确率;在美国凯斯西储大学(CWRU)数据集中,也可以达到99.34%的平均准确率。相较于其他迁移学习对比模型,采用该模型方法可以获得更好的诊断性能。

关键词:滚动轴承;故障跨域诊断识别;中间桥层和相似矩阵;对抗性迁移学习;领域自适应;深度卷积神经网络

中图分类号:TH133.33;TH17文献标识码:A文章编号:1001-4551(2023)05-0655-10


本文引用格式:

蔡能,武兵,李翔宇,等.基于中间桥层和相似矩阵的深度对抗迁移故障诊断方法［J］.机电工程,2023,40(5):655-663,672.

CAI Neng, WU Bing, LI Xiang-yu, et al. Fault diagnosis method of deep adversarial transfer based on middle bridge layer and similarity matrix［J］.Journal of Mechanical & Electrical Engineering, 2023,40(5):655-663,672.