针对轴承故障特征提取能力不足、源域与目标域数据分布差异过大等问题,本文提出了一种基于小波包域对抗注意力迁移学习的故障诊断方法(WWRESE-IDALM)。首先,通过小波包变换(Wavelet Packet Transform,WPT)获得不同重点节构的时频域信息...针对轴承故障特征提取能力不足、源域与目标域数据分布差异过大等问题,本文提出了一种基于小波包域对抗注意力迁移学习的故障诊断方法(WWRESE-IDALM)。首先,通过小波包变换(Wavelet Packet Transform,WPT)获得不同重点节构的时频域信息;其次,将重构后的时频域信息数据经过一层大卷积核和通道注意力模块(Squeeze and Excitation,SE)提取轴承深度关键信息特征;利用改进的域对抗网络(Domain-Adversarial Training of Neural Networks,DANN)和局部最大平均差异(Local Maximum Mean Discrepancy,LMMD)对齐子域分布,减少相关子域和全局域之间的结构差异;最后,通过标签分类网络完成故障分类。在帕德博恩大学轴承数据集诊断结果证明了所提出的WWRESE-IDALM方法具有良好的变工况故障分类能力。展开更多
文摘针对轴承故障特征提取能力不足、源域与目标域数据分布差异过大等问题,本文提出了一种基于小波包域对抗注意力迁移学习的故障诊断方法(WWRESE-IDALM)。首先,通过小波包变换(Wavelet Packet Transform,WPT)获得不同重点节构的时频域信息;其次,将重构后的时频域信息数据经过一层大卷积核和通道注意力模块(Squeeze and Excitation,SE)提取轴承深度关键信息特征;利用改进的域对抗网络(Domain-Adversarial Training of Neural Networks,DANN)和局部最大平均差异(Local Maximum Mean Discrepancy,LMMD)对齐子域分布,减少相关子域和全局域之间的结构差异;最后,通过标签分类网络完成故障分类。在帕德博恩大学轴承数据集诊断结果证明了所提出的WWRESE-IDALM方法具有良好的变工况故障分类能力。