针对实际采煤机轴承故障诊断中存在变工况特征提取困难,故障训练样本不足等问题,结合当今流行的迁移学习的方法,提出了一种多尺度迁移学习的轴承诊断方法。首先通过经验模式分解(Empirical Mode Decomposition,EMD)从振动信号中分解成...针对实际采煤机轴承故障诊断中存在变工况特征提取困难,故障训练样本不足等问题,结合当今流行的迁移学习的方法,提出了一种多尺度迁移学习的轴承诊断方法。首先通过经验模式分解(Empirical Mode Decomposition,EMD)从振动信号中分解成不同频率的本征模态函数(Intrinsic Mode Function,IMF);其次将得到的不同频率的IMF与卷积神经网络中不同尺寸卷积核提取到的丰富特征互补构建多尺度特征融合;采用联合最大平均差异(Joint Maximum Mean Discrep⁃ancy,JMMD)特征迁移的方法使源域与目标域联合分布差异最小化,然后通过多尺度融合模型进行分类识别;最后在凯斯西储大学轴承数据集和江南大学数据集对该方法进行了验证。实验结果证明该模型在两种不同工况和型号的轴承数据集中均取得较高的准确率,表现出模型良好的泛化能力。展开更多
文摘针对实际采煤机轴承故障诊断中存在变工况特征提取困难,故障训练样本不足等问题,结合当今流行的迁移学习的方法,提出了一种多尺度迁移学习的轴承诊断方法。首先通过经验模式分解(Empirical Mode Decomposition,EMD)从振动信号中分解成不同频率的本征模态函数(Intrinsic Mode Function,IMF);其次将得到的不同频率的IMF与卷积神经网络中不同尺寸卷积核提取到的丰富特征互补构建多尺度特征融合;采用联合最大平均差异(Joint Maximum Mean Discrep⁃ancy,JMMD)特征迁移的方法使源域与目标域联合分布差异最小化,然后通过多尺度融合模型进行分类识别;最后在凯斯西储大学轴承数据集和江南大学数据集对该方法进行了验证。实验结果证明该模型在两种不同工况和型号的轴承数据集中均取得较高的准确率,表现出模型良好的泛化能力。
