噪声与振动控制 ›› 2022, Vol. 42 ›› Issue (4): 107-114.

• 信号处理与故障诊断 • 上一篇    下一篇

基于深度迁移学习的滑动轴承-转子故障诊断

朱琰1,黄敏2,王小静1,郑成东1   

  1. ( 1. 上海大学机电工程与自动化学院,上海200444; 2. 上海船舶设备研究所,上海200031 )
  • 收稿日期:2021-07-08 修回日期:2021-09-24 出版日期:2022-08-18 发布日期:2022-08-18

  • Received:2021-07-08 Revised:2021-09-24 Online:2022-08-18 Published:2022-08-18

摘要: 深度神经网络在滚动轴承故障诊断领域得到广泛应用,而将深度神经网络应用于滑动轴承-转子系统故障诊断的研究较少。其中大多数研究假设轴承故障的训练数据与测试数据分布相同,基于该训练数据得到的神经网络能较好地对轴承故障进行描述,但当轴承转子系统的结构和工况发生变化,原神经网络就不能对故障进行准确诊断。提出一种基于改进型联合分布差异(Improved Joint Distribution Discrepancy,IM-JDD)方法的深度卷积迁移学习框架(Deep Convolutional Transfer Learning Network,DCTLN),该框架采用二维振动图像作为网络输入,通过深度卷积神经网络提取图像的可迁移特征,提出的改进型联合分布差异方法实现了不同结构及工况下滑动轴承-转子系统故障特征的迁移学习。最后在结构不同的滑动轴承-转子实验台上进行测试,结果表明,本框架在不同工况下和不同机器间对无
标记故障样本具有较强的诊断能力,并优于其他竞争方法。

关键词: 故障诊断, 卷积神经网络, 改进型联合分布差异, 振动图像, 滑动轴承-转子系统