摘要
轴承是风电机组的关键部件，对轴承故障进行有效的诊断有利于机组的稳定和可靠运行。随着深度学习技术的发展，数据驱动的故障诊断方法在轴承故障诊断中取得良好的效果。然而，轴承振动数据中噪声成分复杂，不同轴承故障发生频率和持续时间不同，噪声和故障数据类别不平衡导致深度学习方法泛化能力变差，准确率降低。针对以上问题，本文提出结合深度学习、多级噪声训练和迁移学习的轴承故障诊断方法，本文主要工作如下: (1)基于实际轴承数据对堆叠自编码器性能进行分析。堆叠自编码器(StackedAutoencoder,SAE)具有适应性强的优点，在深度学习中广泛使用。通过实际轴承故障数据的实验分析，发现随着SAE堆叠层数的增加，SAE特征提取的性能有所提高，但是当堆叠数量达到一定程度后，性能趋于饱和。 (2)提出基于稀疏性多级噪声训练的轴承故障诊断模型。轴承数据中噪声成分复杂，本文通过不同噪声等级对原始数据进行破坏，按照从高到低的噪声等级顺序逐级训练并调整SAE参数，提高SAE特征提取能力。为减少SAE在多级噪声训练下的训练时间并降低小样本数据集下过拟合的风险，在SAE中加入KL散度和L1正则化提高稀疏性。实验结果表明，所提出的堆叠稀疏多级去噪自编码器(StackedSparseMultilevelDenoisingAutoencoder,SSMDAE)具有更好的特征提取能力，能够更快速收敛速度并且防止过拟合，相比其他方法，SSMDAE在小样本数据下表现更好。 (3)提出基于迁移学习的轴承故障诊断模型。为降低故障数据类别不平衡对诊断准确率的影响并提高SSMDAE的泛化能力，将SSMDAE和具有类间差异的联合概率最大平均差异(DiscriminativeJointProbabilityMaximumMeanDiscrepancy,DJPMMD)结合得到TL-SSMDAE算法。所提方法通过最小化不同域间联合概率分布差异和最大化不同类间联合概率分布差异，提高了迁移学习的域间可转移性和类间可区分性。在此基础上，将DJPMMD嵌入SSMDAE的所有隐藏层，逐层调节SSMDAE参数，实现了SSMDAE在不同域间的更深层迁移。实验结果表明，TL-SSMDAE能有效提高模型在不同数据集间的泛化能力，能有效处理故障类别不平衡问题，相比于其他方法，TL-SSMDAE具有更高的准确性和更快的收敛速度。
NETL