摘要
滚动轴承作为最常用的旋转机械部件之一，其健康状况对机械设备的正常运行起着至关重要的作用。轴承若是发生故障，轻则设备停机造成经济损失，重则发生事故威胁人员生命安全，因此对滚动轴承进行及时准确地故障诊断有着重要的意义。相比传统的轴承故障诊断方法，基于深度学习的故障诊断方法不要求复杂的信号处理技术及大量的先验知识，可以自适应挖掘数据中的特征信息，实现端到端的故障诊断。然而深度学习方法往往需要大量带标签样本数据来训练网络模型，并且要求训练与测试数据之间独立且同分布。深度迁移学习可以把源域数据集中已有标签知识迁移到没有标签知识的目标域数据集，有效提高了网络模型的泛化能力，近年来被广泛应用到故障诊断领域。论文基于自注意力网络与深度迁移学习展开对滚动轴承的故障诊断研究，主要内容总结如下: (1)论文在深度卷积网络、自注意力网络和领域自适应迁移策略研究的基础上，采用卷积网络与Transformer网络融合的IFormer(IncepetionTransformer,IFormer)网络模型为特征提取器，可以同时提取数据的局部特征和全局特征，建立深度子域自适应迁移策略，构建了基于单源域的深度迁移学习网络模型。通过对高速列车轮对轴承实验台的实验验证了所提模型的有效性。 (2)针对迁移过程中，单源域迁移数据利用不充分且可能存在负迁移的问题，论文进一步提出了多源域迁移学习模型ITR-Net(InceptionTransformerandResNetNetwork,ITR-Net),模型框架由公共特征提取器、领域特定特征提取器和领域特定分类器三部分构成，并且在模型中不同节点位置应用多核最大均值差异(MK-MMD)、局部最大均值差异(LMMD)和均方误差(MSELoss)等领域迁移度量方法，构建了多源域自适应迁移学习策略。利用高速列车轮对轴承实验数据集构建迁移任务，验证了所提方法的优越性。 (3)针对无标签目标域数据与源域数据分布差异过大，导致迁移网络模型泛化能力降低的问题，提出基于特征增强的多源域自适应迁移学习网络。在ITR-Net基础上，添加目标域私有特征提取器和分类器。计算私有特征提取器与ITR-Net输出的目标域特征之间的差异损失，去除目标域噪声信号特征，增强网络模型对目标域故障判别性特征的提取能力;计算目标域私有分类器与ITR-Net输出预测结果之间的分类损失，训练目标域私有特征提取器，最终提高迁移网络对目标域的分类准确度。利用高速列车轮对轴承实验数据集和动力传动故障诊断实验数据集，验证所提方法的性能。
NETL