實(shí)際生產(chǎn)中,機(jī)械設(shè)備的工況變化會(huì)造成監(jiān)測(cè)數(shù)據(jù)的分布差異,破壞分類模型的應(yīng)用基礎(chǔ),降低診斷準(zhǔn)確率。為此,提出一種基于深度學(xué)習(xí)的領(lǐng)域自適應(yīng)方法,用于跨工況情境下軸承故障診斷。該方法構(gòu)建兩個(gè)級(jí)聯(lián)的深度網(wǎng)絡(luò):前者用于處理振動(dòng)信號(hào),自動(dòng)挖掘故障敏感特征;后者用于將不同工況的樣本特征同步映射到一個(gè)深度隱藏層（公共特征空間）中,消除工況波動(dòng)引起的分布差異,生成工況不變特征,實(shí)現(xiàn)領(lǐng)域自適應(yīng)。此外,該深度映射網(wǎng)絡(luò)可通過(guò)參數(shù)優(yōu)化方法自適應(yīng)構(gòu)建,能夠?qū)崿F(xiàn)最佳的跨域診斷性能。實(shí)驗(yàn)表明,與其他方法和相關(guān)研究相比,深度領(lǐng)域自適應(yīng)在跨工況故障識(shí)別中具有更高的準(zhǔn)確率。 

【文章來(lái)源】：振動(dòng)與沖擊. 2020,39(12)北大核心EICSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

領(lǐng)域自適應(yīng)示意圖

L(x,z)= arg min 1 n ∑ i=1 n ∥ x i -z i ∥ 2 (3)SDA由若干DAE堆疊構(gòu)成,訓(xùn)練過(guò)程包括預(yù)訓(xùn)練和微調(diào)兩個(gè)步驟:預(yù)訓(xùn)練采用逐層貪婪算法,每次只訓(xùn)練一層網(wǎng)絡(luò)。訓(xùn)練好前k-1層后,將其輸出作為輸入,訓(xùn)練第k層;微調(diào)則將所有層連接為一個(gè)深度網(wǎng)絡(luò),運(yùn)用反向傳播和梯度下降微調(diào)網(wǎng)絡(luò)參數(shù)。

基于深度領(lǐng)域自適應(yīng)的跨工況故障診斷方法


本文編號(hào)：3223313