基于模型采样和领域对抗神经网络的轴承故障诊断方法

为了适应不同产品的不同加工要求,轴承需要工作于不同的工况下,但是工况的变化会造成数据分布差异,从而导致轴承故障诊断模型的性能下降,同时目前也缺少针对无标签情况下实现故障类别均衡采样的方法,为此,提出了一种基于模型采样(MBS)和领域对抗神经网络(DANN)的轴承故障诊断方法。首先,使用基于模型采样(MBS)的方法,将预训练模型输出的类别概率分布作为采样依据,克服了在无标签目标工况下实现类别均衡采样的困难;然后,结合领域对抗神经网络(DANN),设计了将特征从目标工况迁移到源工况的网络结构;最后,在故障模拟实验数据上,建立了高精度的变工况轴承故障诊断模型,并将采用该方法所获结果与采用多种对照方法所获结果进行了对比分析,以验证该方法在变工况轴承故障诊断上的有效性和优越性。研究结果表明:在模拟实验中,采用基于MBS-DANN的方法可达到98.41%的平均诊断准确率,相比随机采样法提高超过10%;这说明无标签样本类别均衡采样具有重要意义,也可验证基于MBS-DANN的方法在变工况轴承故障诊断上的有效性和优越性。