摘要
滚动轴承作为旋转机械设备中最常见的部件之一，虽然国内外学者提出了许多基于数据驱动的智能故障诊断方法，但仍存在如下问题:(1)在数据质量良好的场景下，深度学习模型的特征提取能力不强，因此需要借助其他特征提取方法。(2)领域自适应无监督迁移学习方法大多是针对特征空间的，但是复杂工况下不同数据分布提取出的特征分布差异大，很难通过度量等方法进行量化。(3)虽然有部分关于少样本的故障诊断迁移方法，但是其在极少样本故障诊断场景下的效果未知，且方法往往不具有快速更新的能力。 针对以上问题，文章以滚动轴承为研究对象，搭建轴承数据采集实验平台，设计多载荷和多故障程度的数据采集方案，采集轴承振动信号并制成数据集，使用自制轴承数据集和江南大学轴承数据集进行案例分析。主要创新点如下: (1)针对原始一维振动信号的特点，研究空洞卷积和一维卷积的优缺点，设计了混合空洞卷积神经网络(HybridDilatedConvolutionalNetworks，HDCN)。HDCN无需借助其他基于信号处理和信息论的特征提取方法，就可以实现原始振动信号到标签的端到端映射。通过在多载荷和多转速工况下的故障诊断实验和对比实验，验证了所提方法的有效性。 (2)针对部分工况下无先验标签的故障诊断场景，提出一种基于最小类间关联度(MinimumInter-ClassCorrelation,MICC)的新型损失函数。遵循故障诊断问题中同一样本不可能属于两个不同类别原则，MICC度量了目标领域中的预测标签空间，然后和源领域中的预测损失结合成总损失。实验过程中设计了特征提取器和分类器，并在两组数据集上进行跨载荷和跨转速的故障诊断迁移实验和对比实验，测试了所提方法的可行性。 (3)针对极少故障样本的故障诊断迁移场景，基于环境适应元学习，提出权重环境适应元学习(WeightContextAdaptationviaMeta-Learning,WCAML)方法。WCAML对不同元任务返回的梯度值进行权重赋值，然后传递给元学习器，更新共享参数值。实验过程中设计了含环境参数层的基础学习器，并在两组数据集上进行了跨载荷和跨转速极少样本的快速故障诊断迁移实验和对比实验，其中每类标签的样本个数设置分别取1和5,结果证实了所提方法能在极少样本场景里具有较好的迁移效果。
NETL