-
题名基于深度特征选取的旋转机械跨域故障诊断
被引量：5
- 1
-
-
作者
何财林
费国华
朱坚
董飞
宋俊材
-
机构
浙江工业职业技术学院机电工程学院
嘉兴技师学院
杭州第一技师学院
安徽大学互联网学院
-
出处
《机电工程》
CAS
北大核心
2022年第10期1345-1355,共11页
-
基金
安徽省教育厅高校自然科学研究重点项目(KJ2021A0018)。
-
文摘
在实际的工业场景中,对旋转机械进行故障诊断时,存在着标签故障样本不足和数据分布差异的问题,为此,基于深度特征选取和迁移学习方法,提出了一种新的跨域故障诊断方法。首先,利用深度自编码器进行了深度特征提取,利用不同激活函数下的深度自编码器提取出的深度特征,构建了深度特征池;然后,采用提出的面向跨域诊断的特征选取方法,选取了可迁移特征用于后续的特征迁移学习,利用所提出的改进联合分布适应方法,降低了源域和目标域特征数据间分布差异;最后,基于经迁移学习后的有标签源域样本和无标签目标域样本,对故障识别分类器进行了训练,并利用机械故障模拟实验台的轴承和电机故障数据,开展了旋转机械跨域故障诊断的实验。研究结果表明:与对比模型相比,所提出的方法能够取得更优秀的跨域故障诊断性能;在选取合适的特征数时,其最大故障诊断准确率明显高于其他对比模型(其中,轴承为95.42%,电机为88.67%)。
-
关键词
转动机件
标签故障样本不足
深度特征选取
联合分布适应
多核最大均值差异
迁移学习方法
深度自编码器
-
Keywords
rotating machinery
insufficient labeled fault samples
deep features selection(DFS)
improved joint distribution adaptation(IJDA)
multiple kernel-maximum mean discrepancy(MK-MMD)
transfer learning(TL)method
deep auto-encoder(DAE)
-
分类号
TH133
[机械工程—机械制造及自动化]
TH17
[机械工程—机械制造及自动化]
-
