基于约束对抗卷积自编码记忆融合网络的故障诊断

摘要：

现有的基于多传感器融合技术的电机轴承故障诊断方法存在传感信号种类单一以及难以充分捕获不同数据间的分布不变性(模态不变性)问题.为此,在振动、电流数据上提出一种基于约束对抗卷积自编码记忆融合网络(CACAE-MFN)用于诊断电机轴承故障.首先,在融合之前通过引入挤压激励模块(SE-Block)和模态鉴别器和中心矩偏差度量函数(CMD)来改进卷积自编码器(CAE),使其能够加强关键性特征提取的同时捕获不同数据间的模态不变性信息.然后,利用长短周期记忆网络(LSTM)融合所提取的特征以学习其上下文信息.最后,对比实验表明所提融合方法实现了97%的轴承故障诊断精度,优于非融合方法约5%～11%.消融实验、可视化实验和泛化性能实验的结果验证了模型的有效性和泛化性.

关键词：深度学习、故障诊断、对抗学习、卷积自编码、多模态数据融合、相似性约束

所属期刊栏目：27

分类号：TM351(电机)

资助基金：国家自然科学基金;国家自然科学基金;湖南省研究生科研创新项目

在线出版日期：2023-07-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：148-159