基于深度学习与子域适配的齿轮故障诊断

针对生产实际中标注故障数据不足的问题,提出了基于深度学习与子域适配的齿轮故障诊断方法。首先构建域共享的一维卷积神经网络,从故障数据中提取可迁移特征;然后采用多核局部最大均值差异来测量可迁移特征相关子域的分布差异,并将测得的分布差异加入目标函数中训练;最后将训练完成的模型用于目标域健康状态的识别。实验结果表明,所提方法能在无标签目标域数据的情况下得到较高的准确率。

齿轮故障诊断的时域同步平均改进算法

针对经典数据重采样算法实现时域同步平均的频率跟踪时存在重建误差大、计算速度慢的问题,提出一种三次样条重采样实现频率跟踪的算法。该算法首先采用峰值搜索算法搜集时标信号,然后以得到的时标信号分割数据形成多个数据段,最后采用三次样条函数重采样各数据段。试验结果表明:改进算法所需的计算资源从平方阶减至线性阶,抑制了噪声和非感兴趣频率,提高约10%的齿轮故障特征频率的提取效果。

基于分布适配层和软标签学习的齿轮故障诊断

基于卷积神经网络的齿轮智能识别算法能有效地识别齿轮故障,但卷积神经网络需要大量的已标注训练数据,制约了卷积神经网络在齿轮故障诊断上的应用。针对该问题,提出了基于分布适配层和软标签学习的齿轮故障诊断方法。采用卷积神经网络提取特征和软标签;通过分布适配层提取分布差异,软标签学习生成软标签损失;以分布差异、软标签损失与分类损失生成的联合损失为目标函数,训练模型并进行目标域故障诊断。采用齿轮振动信号验证了提出方法,结果表明,提出方法能准确有效地分类齿轮故障数据。