深度领域自适应及其在跨工况故障诊断中的应用

发布时间：2021-06-10 23:24

　　实际生产中,机械设备的工况变化会造成监测数据的分布差异,破坏分类模型的应用基础,降低诊断准确率。为此,提出一种基于深度学习的领域自适应方法,用于跨工况情境下轴承故障诊断。该方法构建两个级联的深度网络:前者用于处理振动信号,自动挖掘故障敏感特征;后者用于将不同工况的样本特征同步映射到一个深度隐藏层（公共特征空间）中,消除工况波动引起的分布差异,生成工况不变特征,实现领域自适应。此外,该深度映射网络可通过参数优化方法自适应构建,能够实现最佳的跨域诊断性能。实验表明,与其他方法和相关研究相比,深度领域自适应在跨工况故障识别中具有更高的准确率。 

【文章来源】：振动与冲击. 2020,39(12)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

领域自适应示意图

L(x,z)= arg min 1 n ∑ i=1 n ∥ x i -z i ∥ 2 (3)SDA由若干DAE堆叠构成,训练过程包括预训练和微调两个步骤:预训练采用逐层贪婪算法,每次只训练一层网络。训练好前k-1层后,将其输出作为输入,训练第k层;微调则将所有层连接为一个深度网络,运用反向传播和梯度下降微调网络参数。

基于深度领域自适应的跨工况故障诊断方法


本文编号：3223313