基于改进CNN和Kmeans的双转子轴承半监督故障诊断

针对双转子轴承复杂信号故障特征难提取、工程中某些类型的故障数据缺乏时卷积神经网络（convolution neural network，简称CNN）难训练的问题，提出一种基于改进CNN和Kmeans的双转子轴承半监督故障诊断方法。首先，利用自回归（autoregressive，简称AR）模型对双转子轴承信号去噪，并基于傅里叶变换得到信号频谱作为CNN输入；其次，以Morlet小波基频域函数作为激活函数构建CNN，结合Softmax损失和提出的权重内积最小化损失在少类别训练数据下训练CNN；最后，基于Kmeans聚类算法分析CNN线性输出确定无标签数据伪标签，并结合半监督学习中自训练思想迭代CNN更新伪标签，继而依据伪标签划分双转子轴承正常、已知故障和未知故障状态。利用双转子轴承故障模拟试验台数据进行验证，结果表明，在少类别训练数据下，其诊断效果相较于人工神经网络（artificial neural network，简称ANN）等方法更佳，诊断准确率达到了100%，验证了所提方法的有效性。