基于深度收缩残差网络的轴承变工况故障诊断

摘要：

目前,深度学习相关技术在旋转机械故障诊断领域得到了广泛应用.为提升深度学习算法在面对大量未标注数据和变工况运行方式下的诊断效果,构造了融合深度学习的特征学习能力与迁移学习的泛化能力的网络模型.通过添加软阈值构建深度收缩残差网络提取噪声冗余下的轴承振动数据的特征信息;采用联合最大平均偏差准则和条件对抗学习域适配网络对齐源域和目标域,同时添加正则项提高类间对齐性能;通过变负荷、变速度与变噪声三种实验设置验证了模型的有效性.实验结果证明,该方法能够有效克服传统深度学习和浅层迁移学习算法的不足.

关键词：故障诊断、变工况、深度收缩残差网络、无监督深度迁移学习

所属期刊栏目：29

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;陕西省自然科学基金基础研究青年项目

在线出版日期：2023-05-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1146-1156