基于MWKCNN与迁移学习融合的风机轴承故障诊断方法

针对实际风电场的风机运行工况多变、数据完备性缺失导致的风机轴承故障诊断精度降低的问题,提出一种基于多重宽核卷积神经网络(multiple wide kernel convolutional neural networks,MWKCNN)与迁移学习融合的风机轴承故障诊断方法。首先,在源域训练MWKCNN风机轴承故障诊断模型;其次,根据3个目标域与源域的相似度,利用基于模型微调的迁移学习方法对源域的MWKCNN模型结构进行调整,并且用实际的轴承数据集进行验证;最后,通过仿真实验进行验证。结果表明:MWKCNN模型对源域的风机轴承故障诊断的精度达到了99.48%;在3种数据完备性缺失的目标域,对风机轴承故障诊断的精度均达到了94%以上;相比于其他模型的迁移效果,MWKCNN模型对轴承振动信号故障特征的挖掘能力更强。