基于均衡适配迁移的异源域样本轴承故障诊断

作者：朱旭东. 日期：2023-05-25/span> 浏览：1347 查看PDF文档

摘要:由于轴承带标签的故障样本数量较少,且源域数据与目标域数据存在异域问题,会导致轴承诊断准确率大大下降。为此,对异源域样本条件下的轴承故障诊断问题进行了研究,提出了基于改进均衡分布适配迁移学习的轴承故障迭代诊断方法。首先,分析了滚动轴承的结构和不同部位故障的信号特征;介绍了迁移学习工作原理,基于动态的均衡因子,提出了改进均衡分布适配方法,解决了边缘分布和条件分布差异性未知导致的异源域适配难题;然后,给出了基于K近邻算法（KNN）的伪标签初步确定方法,提出了基于迁移学习和KNN算法的目标域伪标签迭代优化方法,确定了目标域样本的故障标签;最后,采用实验数据对该诊断方法的有效性进行了验证,并将其与其他两种方法进行了异域样本的故障诊断,对其诊断准确率进行了对比。研究结果表明:在凯斯西储轴承实验中,基于迁移学习、迁移成分分析(TCA)+KNN的诊断准确率均值分别为93.72%和75.52%;在西安交通大学轴承实验中,基于迁移学习、TCA+KNN的诊断准确率分别为94.80%和70.40%。上述实验结果验证了基于迁移学习的迭代诊断方法在异源域样本故障诊断中的优越性。

关键词:轴承故障诊断准确率;异源域样本;改进均衡适配;迁移学习;K近邻算法;源域数据;目标域数据

中图分类号:TH133.3文献标识码:A文章编号:1001-4551(2023)03-0361-09

本文引用格式:

朱旭东.基于均衡适配迁移的异源域样本轴承故障诊断［J］.机电工程,2023,40(3):361-369.

ZHU Xu-dong. Bearing fault diagnosis based on balanced fitting transfer learning under heterologous domain samples［J］.Journal of Mechanical & Electrical Engineering, 2023,40(3):361-369.