基于中间桥层和相似矩阵的深度对抗迁移故障诊断方法

采用深度对抗迁移学习算法进行故障诊断时，受到领域中丰富的特征属性的影响，在领域自适应中无法充分学习可用于迁移的共有知识特征，且其在类别水平上忽略了不同类别的对齐程度的差异。针对这一问题，提出了一种基于中间桥层和相似矩阵(MB-SM)的对抗故障诊断模型，以实现对滚动轴承故障进行跨域诊断识别的目的。首先，利用改进的一维多尺度残差网络对数据的特征进行了提取；然后，引入了中间桥层和相似矩阵，完成了对共有知识特征的充分学习，降低了整体网络的数据传输难度，进一步加强了源域和目标域中同一类别内的聚类和类别之间的分离，提高了故障数据的领域适配能力；最后，采用实验室轴承数据集和美国凯斯西储大学(CWRU)数据集，对基于中间桥层和相似矩阵的模型方法进行了验证。研究结果表明：在自建实验室数据集中，采用基于中间桥层和相似矩阵的方法可以达到90.37%的平均准确率；在美国凯斯西储大学(CWRU)数据集中，也可以达到99.34%的平均准确率。相较于其他迁移学习对比模型，采用该模型方法可以获得更好的诊断性能。