-
题名基于多表示动态自适应的不同工况下滚动轴承故障诊断
被引量：2
- 1
-
-
作者
朱继扬
孙虎儿
张天源
赵扬
白晓艺
-
机构
中北大学机械工程学院
-
出处
《机电工程》
CAS
北大核心
2023年第2期178-185,203,共9页
-
基金
山西省自然科学基金资助项目(201801D121186)。
-
文摘
在对不同工况下的滚动轴承进行故障诊断时,要收集足够多标记的故障样本是非常困难的。为此,以原始振动信号作为神经网络的输入,通过多表示动态自适应(MRDA)算法多表示对齐可迁移的特征、自适应动态的衡量边缘分布和条件分布相对重要性,从而构建了一种新的深度迁移模型,即一维多表示空洞动态自适应迁移网络(1D MRDDATN)。首先,对迁移学习数据分布进行了问题分析,对DDA进行了理论推导;然后,在一维空洞卷积基础上,创建了一维多表示空洞卷积神经网络(1D MRDCNN),并提出了MRDA算法和多表示动态自适应结构(MRDAM),形成了一维多表示空洞动态自适应迁移网络(1D MRDDATN);最后,采用美国凯斯西储大学(CWRU)的滚动轴承数据集进行了实验验证。研究结果表明:与传统的深度迁移学习方法相比,上述方法的平均诊断准确率有所提升,可达到98%以上;MRDA通过多表示对齐来完成不同工况下的跨域分类任务,自适应地捕获不同方面的信息,可以获得更好的性能。
-
关键词
不同工况
一维多表示空洞动态自适应迁移网络
故障样本
深度迁移学习
多表示动态自适应算法
神经网络
一维多表示空洞卷积神经网络
-
Keywords
different working conditions
one-dimensional multi-representation hole dynamic adaptive transfer network(1D MRDDATN)
fault sample
deep transfer learning
multi-representation dynamic adaptive(MRDA)algorithm
neural network
one-dimensional multi-representation dilated convolution neural network(1D MRDCNN)
-
分类号
TH133.33
[机械工程—机械制造及自动化]
-
