摘要
滚动轴承在实际工业生产中所处的工作环境往往十分复杂、多变，工作于不同工况下的滚动轴承往往振动信号分布差异极大，且部分工况下的有标签数据不易获取。因此，在变工况条件下实现滚动轴承的智能故障诊断具有十分重要的意义。针对上述问题，本文对现有的深度迁移学习方法进行改进，提出一种改进残差网络深度子域适应方法，实现了变工况条件下的滚动轴承故障诊断。 在数据预处理方面，存在着数据集样本数量不足和一维数据用于故障诊断存在局限性的问题。提出通过随机数据增强的方法扩充样本集，解决样本不足问题。利用时频分析方法将一维振动信号转化为二维时频图像可以丰富样本信息，降低工况变化对诊断结果的影响。 针对残差网络浅层感受野有限，通道间缺乏相关性，进而导致不能有针对性地进行特征提取的问题，本文在残差网络中引入首层宽卷积核机制和通道注意力机制，更有目的地提取输入数据的深层特征。针对传统域适应方法只针对样本的全局分布执行特征对齐操作，忽视了各子域间的关系，提出使用局部最大均值差异对源域和目标域进行子域适应处理，缩小源域和目标域各个子域之间的分布差异，避免出现特征混叠。实验结果表明，改进残差网络和子域适应方法均可有效提高模型的故障诊断准确率。 将改进残差网络与子域适应方法相结合，构建端到端的改进残差网络深度子域适应模型用于变工况下滚动轴承故障诊断。通过实验的方式选择短时傅里叶变换作为预处理中的时频分析方法。在CWRU数据集上进行8个迁移任务的对比实验，本文所提方法的平均故障诊断准确率达到了98.2%，验证了所提方法在变工况条件下具有较好的故障诊断效果。结合领域泛化实验和MFPT数据集验证实验，证明了所提方法具有较好的泛化性。
NETL