文献类型：期刊文章

作　　者：康守强[1] 邹佳悦[1] 王玉静[1] 谢金宝[1] V.I.MIKULOVICH[2]

KANG Shouqiang;ZOU Jiayue;WANG Yujing;XIE Jinbao;V.I.MIKULOVICH(School of Electrical and Electronic Engineering,Harbin University of Science and Technology,Harbin 150080,Heilongjiang Province,China;Belarusian State University,Minsk 220030,Belarus)

机构地区：[1]哈尔滨理工大学电气与电子工程学院,黑龙江省哈尔滨市150080 [2]白俄罗斯国立大学,白俄罗斯明斯克220030

出　　处：《中国电机工程学报》

基　　金：国家自然科学基金项目(51805120);黑龙江省自然科学基金项目(LH2019E058);黑龙江省本科高校青年创新人才培养计划(UNPYSCT-2017091)~~

年　　份：2020

卷　　号：40

期　　号：1

起止页码：274-281

语　　种：中文

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

摘　　要：针对滚动轴承实际工作中缺少某种负载数据,使得源领域数据与目标领域数据属于不同分布,以及目标领域样本不含标签的问题,提出一种多域特征构建和无监督特征对齐的滚动轴承故障诊断方法。该方法利用变分模态分解结合奇异值分解获取振动信号的时频特征,再结合振动信号时域、频域特征构建多域特征集;引入迁移学习中能够实现无监督领域适应的子空间对齐(subspace alignment,SA)算法并进行改进,提出将核映射方法与SA算法相结合。将训练数据和测试数据映射到相同高维空间,在高维空间的子空间进行特征对齐,以增加数据类间区分性,实现不同负载下源领域特征向目标领域特征对齐。实验研究表明,与部分降维方法及无监督迁移学习方法相比,所提方法在目标领域无标签的情况下,能够利用滚动轴承已知负载数据识别出其他负载数据对应的状态,并具有较高的故障诊断准确率。

关 键 词：故障诊断 迁移学习  无监督领域适应  滚动轴承 变负载  

分 类 号：TH165]