基于提升深度迁移自动编码器的轴承智能故障诊断

实际工程中,含标注信息的轴承监测数据严重缺乏,这将导致其智能故障诊断模型难以有效构建。提出了一种基于提升深度迁移自动编码器的新方法用于不同机械设备间的轴承故障智能诊断。首先,采用可缩放指数型线性单元作为标准自动编码器的激活函数,提升原始振动数据的映射质量。然后,非负约束用于修正代价函数,进一步减少重构误差。其次,构建提升深度自动编码器并用充足可用的源域数据进行预训练,得到的参数作为目标模型的初始化参数。最后,目标域中仅有的一个训练样本用于目标模型的微调以适应剩余的测试样本。将所提方法用于分析不同轴承的试验振动数据,结果表明,所提方法能基于原始振动数据有效实现不同种机械设备间的迁移诊断。

基于深度自动编码器的轴承故障信号诊断及有效性测试

为了提高轴承智能故障诊断能力,利用深度迁移自动编码器处理方法来实现轴承故障智能诊断。通过指数型线性缩放与非负约束处理技术能够促使自动编码器达到更优控制效果,设置足够源域数据预训练深度自动编码器模型,并测试各类该模型故障诊断的有效性。研究结果表明:由于存在噪声因素对结果造成的较大影响,使得源域和目标域都呈现差异很大的分布特征。实验测试诊断准确率均值达到88.46%,有助于对目标域新数据达到更好地匹配状态,再对源域知识实施转换转变至目标域。迁移模型诊断测试获得了89.42%的准确率,与其它迁移模型相比具备更高准确率;达到了0.341的标准差,达到了稳定的测试要求。该研究可以适用于其它的机械传动系统,具有很好的理论支撑价值。