文献类型：期刊文章

作　　者：田静[1,2] 沈长青[1,2] 陈再刚[1] 石娟娟[2] 江星星[2] 朱忠奎[2]

TIAN Jing;SHEN Chang-qing;CHEN Zai-gang;SHI Juan-juan;JIANG Xing-xing;ZHU Zhong-kui(State Key Laboratory of Rail Transit Vehicle System,Southwest Jiaotong University,Chengdu 610031,China;Department of Vehicle Engineering,School of Rail Transportation,Soochow University,Suzhou 215131,China)

机构地区：[1]西南交通大学轨道交通运载系统全国重点实验室,四川成都610031 [2]苏州大学轨道交通学院车辆工程系,江苏苏州215131

出　　处：《振动工程学报》

基　　金：国家自然科学基金资助项目(52272440);苏州市前沿技术研究项目(SYG202323);轨道交通运载系统全国重点实验室开放课题(TPL2105)。

年　　份：2024

卷　　号：37

期　　号：3

起止页码：476-484

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CSCD、CSCD2023_2024、EI、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：基于深度学习的故障诊断方法被广泛应用于以轴承为代表的机械关键部件故障诊断,其取得理想效果的前提是有足量故障样本且训练集、测试集满足同分布要求。然而,在实际工况下数据分布会发生变化,进而使原有工况下的诊断模型很难适用于新工况。为此,域适应类迁移学习方法被用于解决训练集、测试集分布不同的问题,其重点在于实现数据分布适应,即度量数据分布差异,并利用度量结果对模型训练进行指导,从而提升学习效率和诊断准确率。在此基础上,提出了一种基于对抗学习的域适应方法,该方法的核心是将提出的指数调节策略与对抗网络相结合,使得网络在故障诊断过程中更有针对性地适应目标域的数据分布。该网络由特征提取器、分类器、一个全局域鉴别器和多个局部域鉴别器组成,利用对抗策略和适应性矩估计算法对模型进行优化,并通过基于指数调节策略设定的指数自适应因子对模型中的边缘分布和条件分布重要性进行调节,使得模型可以稳定、高效地进行故障诊断。在跨转速、跨负载和同时跨转速和负载的轴承诊断案例中对提出的方法进行验证,结果表明本文方法的诊断效果优于其他域适应方法,并具有较好的稳定性。

关 键 词：故障诊断 轴承 域适应  对抗学习  

分 类 号：TH165.3]