-
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]
-
-
题名基于深度特征选取的旋转机械跨域故障诊断
被引量：2
- 2
-
-
作者
何财林
费国华
朱坚
董飞
宋俊材
-
机构
浙江工业职业技术学院机电工程学院
嘉兴技师学院
杭州第一技师学院
安徽大学互联网学院
-
出处
《机电工程》
CAS
北大核心
2022年第10期1345-1355,共11页
-
基金
安徽省教育厅高校自然科学研究重点项目(KJ2021A0018)。
-
文摘
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
-
Keywords
rotating machinery
insufficient labeled fault samples
deep features selection(DFS)
improved joint distribution adaptation(IJDA)
multiple kernel-maximum mean discrepancy(MK-MMD)
transfer learning(TL)method
deep auto-encoder(DAE)
-
分类号
TH133
[机械工程—机械制造及自动化]
TH17
-
