Abstract:

摘要： 针对滚动轴承故障诊断中不同工况下特征分布差异显著及域适应能力不足的问题，提出一种结合混合卷积神经网络(Hybrid Convolutional Neural Network，HCNN)和深度子领域自适应网络(Deep Subdomain Adaptation Network，DSAN)的滚动轴承故障诊断方法，以适应多种工况。首先，对不同负载情形下的轴承振动信号加以采集，将采集到的信号分为源域与目标域；然后，构建一个基于多尺度卷积及注意力机制的混合卷积神经网络，进行故障特征提取；再通过高斯混合模型(Gaussian Mixture Model，GMM) 结合局部最大均值差异(Local Maximum Mean Discrepancy，LMMD)损失函数实现源域和目标域特征分布的对齐；最后设计一个新的权衡因子以提高DSAN的收敛性能并优化进程。实验使用华中科技大学滚动轴承数据集进行验证。实验结果表明，该方法能有效提高故障诊断的精确性，呈现出优良性能。

关键词: 故障诊断, 滚动轴承, 多尺度卷积, 注意力机制, 自适应网络, 局部最大均值差异