| 基于深度对比迁移学习的变工况下机械故障诊断 |
| |
| 引用本文： | 苏 浩,杨 鑫,向 玲,胡爱军,李显泽.基于深度对比迁移学习的变工况下机械故障诊断[J].振动工程学报,2023,36(3):845-853. |
| |
| 作者姓名： | 苏 浩 杨 鑫 向 玲 胡爱军 李显泽 |
| |
| 作者单位： | 华北电力大学机械工程系，河北 保定 071003；;华北电力大学机械工程系，河北 保定 071003；河北省电力机械装备健康维护与失效预防重点实验室，河北 保定 071003 |
| |
| 基金项目： | 国家自然科学基金资助项目（52075170，52175092） |
| |
| 摘 要： | 机械设备实际运行中的工况具有时变性，这加剧了源域（训练集）和目标域（测试集）数据之间的分布差异，因而导致智能故障诊断模型的性能下降。提出了一种基于深度对比迁移学习的方法，可用于机械设备变工况下的故障智能诊断。利用多层卷积块作为模型前置特征提取器，能够有效提取原始振动数据的代表性特征，提升故障分类器和域判别器的诊断性能。将前置特征提取器提取的特征传递给特征融合器，特征融合器提炼并联接局部感受野和全局感受野卷积特征，增强模型特征表达能力。将特征融合器提炼的特征用于故障分类器和域判别器诊断不同工况下的机械故障，并在故障分类器中使用Wasserstein距离度量源域和目标域数据的差异，基于互信息噪声对比估计提出用于工况区分的互信息对比域判别器，提高模型的迁移诊断性能。将所提方法用于诊断变工况下不同类别的轴承、齿轮故障。结果表明，所提方法能够有效实现变工况下轴承、齿轮故障的迁移诊断。
|
| 关 键 词： | 故障诊断 变工况 Wasserstein距离 迁移学习 对比学习 |
Mechanical fault diagnosis using deep contrastive transfer learning under variable working conditions |
| |
| SU Hao,YANG Xin,XIANG Ling,HU Ai-jun,LI Xian?ze.Mechanical fault diagnosis using deep contrastive transfer learning under variable working conditions[J].Journal of Vibration Engineering,2023,36(3):845-853. |
| |
| Authors: | SU Hao YANG Xin XIANG Ling HU Ai-jun LI Xian?ze |
| |
| Abstract: | |
| |
| Keywords: | |
|
| 点击此处可从《振动工程学报》浏览原始摘要信息 |
|
点击此处可从《振动工程学报》下载全文 |
