文献类型：期刊文章

作　　者：何财林[1] 费国华[2] 朱坚[3] 董飞[4] 宋俊材[4]

HE Cai-lin;FEI Guo-hua;ZHU Jian;DONG Fei;SONG Jun-cai(School of Mechanical and Electrical Engineering,Zhejiang Industry Polytechnic College,Shaoxing 312099,China;Jiaxing Technician Institute,Jiaxing 314001,China;Hangzhou First Technician College,Hangzhou 310023,China;School of Internet,Anhui University,Hefei 230039,China)

机构地区：[1]浙江工业职业技术学院机电工程学院,浙江绍兴312099 [2]嘉兴技师学院,浙江嘉兴314001 [3]杭州第一技师学院,浙江杭州310023 [4]安徽大学互联网学院,安徽合肥230039

出　　处：《机电工程》

基　　金：安徽省教育厅高校自然科学研究重点项目(KJ2021A0018)。

年　　份：2022

卷　　号：39

期　　号：10

起止页码：1345-1355

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：在实际的工业场景中,对旋转机械进行故障诊断时,存在着标签故障样本不足和数据分布差异的问题,为此,基于深度特征选取和迁移学习方法,提出了一种新的跨域故障诊断方法。首先,利用深度自编码器进行了深度特征提取,利用不同激活函数下的深度自编码器提取出的深度特征,构建了深度特征池;然后,采用提出的面向跨域诊断的特征选取方法,选取了可迁移特征用于后续的特征迁移学习,利用所提出的改进联合分布适应方法,降低了源域和目标域特征数据间分布差异;最后,基于经迁移学习后的有标签源域样本和无标签目标域样本,对故障识别分类器进行了训练,并利用机械故障模拟实验台的轴承和电机故障数据,开展了旋转机械跨域故障诊断的实验。研究结果表明:与对比模型相比,所提出的方法能够取得更优秀的跨域故障诊断性能;在选取合适的特征数时,其最大故障诊断准确率明显高于其他对比模型(其中,轴承为95.42%,电机为88.67%)。

关 键 词：转动机件 标签故障样本不足  深度特征选取  联合分布适应  多核最大均值差异  迁移学习方法  深度自编码器  

分 类 号：TH133] TH17