深度重建转移卷积神经网络用于滚动轴承故障诊断

科学领域:

• 机器学习 机器学习
• 机械工程 机械工程
• 人工智能的人工智能

背景情况:

• 深度转移学习模型通常需要类似的数据分布,这限制了它们在滚动轴承跨域故障诊断中的有效性.
• 现有的方法难以适应领域的适应性,阻碍了在各种操作条件下进行概括和诊断性能.

研究的目的:

• 提出一个深度重建转移卷积神经网络 (DRTCNN),以实现跨域故障诊断的域适应性.
• 提高不同领域条件下的故障诊断模型的准确性和稳定性.

主要方法:

• 使用深度重建卷积自编码器进行无监督的特征提取和数据重建,提取域不变特征.
• 引入了子域对齐损失函数,以对齐源域和目标域分布,减少类内距离和增加类间距离.
• 实施了标签平滑算法,以减轻错误标签在分类员培训期间的影响.

主要成果:

• DRTCNN在三个不同的数据集中展示了高准确性和稳定性,用于跨域故障诊断.
• 该模型有效地提取域不变特征,并对准子域分布,改善诊断性能.
• 提出的方法成功地解决了传统转移学习模型中类似数据分布要求的局限性.

结论:

• DRTCNN为滚动轴承的跨域故障诊断提供了一种多功能和强大的解决方案.
• 该方法通过确保领域适应性,显著提高了模型概括性和诊断准确性.
• 这项工作为提高工业应用条件监测系统可靠性的新框架做出了贡献.