-
题名基于改进联合分布适应的轴承智能故障诊断方法
被引量：4
- 1
-
-
作者
潘晓博
葛鲲鹏
钱孟浩
赵衍
董飞
-
机构
徐州工程学院大数据学院
扬州市职业大学电子工程学院
安徽大学互联网学院
-
出处
《机电工程》
CAS
北大核心
2023年第9期1354-1362,共9页
-
基金
国家级大学生创新创业训练计划项目(202210357121)
江苏省建设系统科技项目(2018ZD077)
安徽省高校优秀科研创新团队项目(2022AH010005)。
-
文摘
在轴承故障诊断过程中,存在缺乏足量故障样本、变工况下信号分布差异等问题。虽然基于机器学习和深度学习方法的智能故障诊断方法的运用取得了许多成果,但该方法在应用过程中仍面临一些挑战,阻碍了智能故障诊断方法在实际工业场景下的应用。为此,提出了一种基于改进联合分布适应的轴承智能故障诊断方法(BIFD-IJDA)。首先,利用小波包变换对振动信号进行了分解与重构,再计算了重构信号的统计参数,构成了原始特征集;然后,设计了基于特征重要度与KL散度的迁移特征选取方法,对各统计参数特征进行了量化评估;采用了改进联合分布适应方法,对源域和目标域特征集进行了分布适应处理,降低了域间分布差异;最后,利用源域特征样本训练的故障诊断模型预测了目标域样本故障类别,采用美国凯斯西储大学实验台和机械故障模拟(MFS)实验台的轴承故障数据,开展了不同工况下的故障诊断实验。实验结果表明:该故障诊断方法在2种轴承故障数据下取得的最大故障诊断准确率分别为100%和96.29%,明显优于其他对比模型。研究结果表明:该故障诊断方法具有应用于实际工业场景的潜力。
-
关键词
轴承智能故障诊断变工况
故障样本数量不足
改进联合分布适应
迁移特征
邻域保持嵌入
迁移成分分析
-
Keywords
bearing intelligent fault diagnosis variable working condition
insufficient number of fault samples
improved joint distribution adaptation
transferable feature
neighborhood preserving embedding(NPE)
transfer component analysis(TCA)
-
分类号
TH133.3
[机械工程—机械制造及自动化]
-
