基于类别域自适应的滚动轴承故障诊断

滚动轴承作为旋转机械的关键部件,在风电机组中故障频发严重制约了发电效率。而传统的滚动轴承故障诊断方法要求训练数据和测试数据服从同一分布,导致其泛化能力不足,并不能有效解决实际工业中的无标签跨域故障诊断问题。为此,提出了一种基于类别域自适应的轴承故障诊断方法,利用有标签的源域数据完成对无标签目标域的故障分类,该方法采用一维卷积神经网络作为特征提取器提取原始振动信号的深度特征,并依据源域故障类别设计了一组锚定器以缩小域间同类故障间距并扩大异类故障间距。并且两个轴承故障数据集上的对比试验结果表明所提方法的有效性,实现了高精度的跨域轴承故障诊断的目标,可以作为跨域诊断故障的有效工具。

基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。