轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别，提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征（即不同域）的训练集和测试集，在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块，以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力，使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验，传统深度卷积神经网络的识别精度均值为64.5%，域自适应迁移卷积神经网络的识别精度均值为94.9%，充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。