噪声与振动控制

噪声与振动控制 ›› 2025, Vol. 45 ›› Issue (6): 117-123.

• 信号处理与故障诊断 • 上一篇    下一篇

基于深度子域自适应卷积网络的旋转机械故障诊断

闫森1，张筱辰1，2，罗天健1，2，韩特3   

  1. ( 1. 福建师范大学计算机与网络空间安全学院，福州350117；
    2. 福建师范大学数字福建环境监测物联网实验室，福州350117；
    3. 北京理工大学管理学院，北京100081 )
  • 收稿日期:2024-06-07 修回日期:2024-09-05 出版日期:2025-12-18 发布日期:2025-12-02

Fault Diagnosis of Rotating Machinery Based on Deep Subdomain Adaptation Convolutional Network

  • Received:2024-06-07 Revised:2024-09-05 Online:2025-12-18 Published:2025-12-02

PDF

摘要： 针对旋转机械故障诊断过程中复杂工况导致旋转机械故障诊断准确率低和泛化性差，以及难以获得大量带标签数据的问题，提出一种基于高效通道注意力机制(Efficient Channel Attention，ECA)与局部最大均值差异(Local Maximum Mean Discrepancy，LMMD)的深度子域自适应卷积网络。首先构建嵌入高效通道注意力机制的卷积神经网络完成对振动信号关键特征的提取，接着在领域自适应层引入LMMD以对齐源域与目标域之间同一类别的分布，最后采用Softmax 分类层对目标域样本数据进行分类。使用轴承与齿轮两种开源数据集对所提模型性能进行验证，结果证明所提方法能够达到较高的故障诊断精度，并具有较强的泛化性能。

关键词: 故障诊断, 旋转机械, 卷积神经网络, 迁移学习, 注意力机制