轴承故障诊断在实际工业场景中意义重大.基于信号处理方法和机器学习方法,往往非常依赖先验知识,难以保证特征提取的有效性,深度学习方法要求训练集和测试集满足同一分布,这在工业现场难以满足,使得模型性能大幅下降.提出一种基于多层领域自适应的故障诊断方法,能够实现多种类、多尺寸的轴承故障诊断.首先,采用预训练好的ResNet18(Residual Network)作为特征提取器,并对每个残差块提取的特征计算MK-MMD(Multiple Kernel-Maximum Mean Discrepancy)距离,通过同时匹配高层和低层特征以有效匹配边缘分布差异.其次,每个残差块提取的特征都进入与之匹配的分类器中,通过Softmax层计算的预测概率分布,并转化为伪标签,缩小条件分布差异.最后,引入Adam优化器,对整体模型参数进行优化,加快模型训练,提高模型收敛速度.实验结果表明,所提出的方法能够有效提取可迁移特征,在负载变化的场景下达到了较高的诊断精度,并具有一定的泛化能力.
Bearing Fault Diagnosis Based on ResNet and Domain Adaptation
国家科技期刊平台
NSTL
万方数据
维普
