文献类型：期刊文章

作　　者：雷亚国[1] 杨彬[1] 杜兆钧[1] 吕娜[1]

LEI Yaguo;YANG Bin;DU Zhaojun;LU Na(Key Laboratory of Education Ministry for Modem Design and Rotor-Bearing System,Xi'an Jiaotong University, Xi'an 710049)

机构地区：[1]西安交通大学现代设计及转子轴承系统教育部重点实验室

出　　处：《机械工程学报》

基　　金：国家自然科学基金(61673311);NSFC-浙江两化融合联合基金(U1709208);中组部“万人计划”青年拔尖人才支持计划资助项目

年　　份：2019

卷　　号：55

期　　号：7

起止页码：1-8

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：机械故障智能诊断是大数据驱动下保障装备安全运行的重要手段。为准确识别装备的健康状态,智能诊断需要依靠充足的可用监测数据训练智能诊断模型。而在工程实际中,机械装备的可用数据稀缺,导致训练的智能诊断模型对装备健康状态的识别精度低,制约了机械故障智能诊断的工程应用。鉴于实验室环境中获取的装备可用数据充足,即数据的典型故障信息丰富、健康标记信息充足,且此类数据与工程实际装备的监测数据间存在相关的故障信息,提出机械装备故障的深度迁移诊断方法,将实验室环境中积累的故障诊断知识迁移应用于工程实际装备。首先构建领域共享的深度残差网络,从源自不同机械装备的监测数据中提取迁移故障特征;然后在深度残差网络的训练过程中施加领域适配正则项约束,形成深度迁移诊断模型。通过实验室滚动轴承与机车轴承的迁移诊断试验对提出方法进行验证,试验结果表明:提出方法能够运用实验室滚动轴承的故障诊断知识,识别出机车轴承的健康状态。

关 键 词：机械装备 机械故障智能诊断  深度学习  迁移学习  

分 类 号：TH17]