仪器仪表学报

作者：郭海科，赵小强

单位：郭海科,1. 兰州理工大学电气工程与信息工程学院,,赵小强,1. 兰州理工大学电气工程与信息工程学院，2. 甘肃省工业过程先进控制重点实验室，3. 兰州理工大学国家级电气与控制工程实验室教学中心,

关键词：旋转机械;故障诊断;动态校准;迁移学习;联合分布对齐

基金：国家自然科学基金(62263021)、甘肃省科技计划(21YF5GA072)、甘肃省教育厅产业扶持(2021CYZC-02)项目资助

迁移学习作为一种解决领域间分布差异的有效技术,近年来在故障诊断领域得到了越来越多的关注。然而,现有的旋转机械故障诊断方法在迁移学习过程中,通常未能充分考虑不同样本对诊断结果的影响。此外,传统的边缘分布对齐方法在减小源域与目标域数据之间分布差异方面的效果也不够理想,在很大程度上限制了迁移学习方法在实际应用中的有效性。针对以上问题,提出一种基于动态校准与联合分布对齐的旋转机械跨工况故障诊断方法。首先,该方法构建动态校准残差网络(DCRN)作为特征提取层,该层通过设计动态校准结构,根据不同样本的权重进行调整,增强网络的特征表达能力;其次,设计域自适应层并提出一种新的联合分布对齐机制(JDAM),该机制在进行特征对齐时,充分考虑了源域与目标域数据之间的边缘分布差异和条件分布差异,使得网络模型在源域上学习到的知识可以有效迁移到目标域上,从而显著提升目标任务的性能;最后使用I-Softmax函数优化分类器,使网络能够更好地识别不同状态的故障。使用美国凯斯西储大学轴承数据集、MFS轴承数据集与滚轴齿轮数据集进行实验验证,在跨工况与变噪声条件下,所提方法的平均准确率分别为96.50%、96.87%和94.72%,表明所提方法具有较高的故障诊断准确率和良好的泛化能力。

来源：2024年第8期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2024年第8期