机床与液压

作者：钱孟浩，李彦廷，郑哲，刘海盈，王晓宁，董飞

单位：安徽大学互联网学院；安徽大学互联网学院；安徽大学互联网学院；安徽大学互联网学院；安徽大学互联网学院；安徽大学互联网学院;中国矿业大学信息与控制工程学院;矿山互联网应用技术国家地方联合工程实验室

关键词：故障诊断;迁移学习;特征提取;域适应;流形迁移学习

基金：国家自然科学基金面上项目（52074273）；国家重点研发计划项目（2017YFC0804400）；国家级大学生创新创业训练计划项目（202210357121）;安徽省大学生创新创业训练计划项目（S202310357144）

基于数据驱动的轴承故障诊断方法应用时仍面临以下挑战：变工况下同故障数据样本间分布差异造成的故障诊断准确率下降；缺乏足量且种类完备的实际工况下的故障数据，导致训练的故障诊断模型泛化能力弱。针对此问题，提出一种基于流形迁移学习的轴承跨域故障诊断方法，主要包括4个步骤：利用经验模态分解对原始振动信号进行处理并提取统计特征；基于朴素贝叶斯分类精度与域差异提出域自适应特征评价方法，从原始特征集中选取域适应能力强的特征；提出一种流形邻域保持嵌入分布对齐方法，处理源域和目标域特征集，减小域间分布差异，并训练得到结构风险最小化原则下的域不变分类器，实现轴承跨域故障诊断；最后，采用2种不同的轴承故障数据开展跨域故障诊断实验分析。实验结果表明：所提域自适应特征评价方法能够有效选取更有利于域适应处理的统计特征，提高跨域故障诊断准确率；所提流形邻域保持嵌入分布对齐方法的性能明显优于其他经典特征迁移学习方法，可实现理想的跨域故障诊断性能。在此基础上构建的故障诊断模型在2种轴承故障数据下的跨域故障诊断准确率最高分别可达100%和95.17%，明显优于其他对比模型。

来源：2024年第24期

《机床与液压》期刊编辑部

查看机床与液压杂志2024年第24期