机床与液压

作者：王克定，李敬兆，石晴，胡迪

单位：安徽理工大学电气与信息工程学院；安徽理工大学电气与信息工程学院；淮北合众机械设备有限公司；淮北合众机械设备有限公司

关键词：矿井通风机;轴承故障诊断;迁移学习;卷积神经网络

基金：国家自然科学基金面上项目（51874010）；淮北市重大科技专项（Z2020004）

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题，提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络（CNN）与双向门控循环单元（BiGRU），并采用随机森林（RF）分类器替换CNN的Softmax层，构建CNN-BiGRU-RF诊断模型，提取轴承更深层次故障特征以便于故障识别；利用源域数据对模型训练，确定模型结构参数；最后，引入迁移学习将模型迁移至目标域，使用目标域有标签数据微调模型参数，构建目标域诊断模型进行故障分类。实验结果表明：在矿井通风机轴承负样本稀少情况下，所提方法的故障识别平均准确率在94%以上，与其他方法相比，具有更好的诊断精度和泛化能力。

来源：2023年第22期

《机床与液压》期刊编辑部

查看机床与液压杂志2023年第22期