重庆理工大学学报2023，Vol.37Issue(23) ：130-137.DOI:10.3969/j.issn.1674-8425(z).2023.12.015

一种改进自编码器的跨域轴承故障诊断

An improved autoencoder for cross-domain bearing fault diagnosis

董绍江 廖俊波 周存芳
重庆理工大学学报2023，Vol.37Issue(23) ：130-137.DOI:10.3969/j.issn.1674-8425(z).2023.12.015
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

一种改进自编码器的跨域轴承故障诊断

An improved autoencoder for cross-domain bearing fault diagnosis

董绍江 1廖俊波 1周存芳1
扫码查看

作者信息

  • 1. 重庆交通大学 机电与车辆工程学院,重庆 400074
  • 折叠

摘要

针对轴承故障诊断中特征提取困难、数据中含有大量噪声以及在单一工况数据下训练的模型无法在复杂工况下实现有效故障诊断的问题,提出了一种基于改进卷积稀疏自编码器(improved convolutional sparse auto encoder,ICSAE)的变工况轴承故障诊断方法.首先,在卷积自编码中增加稀疏性约束条件,提高模型有效特征提取能力,并对于输入信号和重构信号的重构误差通过最大均值差异(MMD)结合均方误差(MSE)进行构建,提高模型的泛化能力和抗噪能力.然后,结合领域自适应方法,利用MMD损失减小两域特征分布差异,有效提高跨域诊断性能.使用CWRU数据集和JNU数据集验证所提方法在变工况下对于滚动轴承的故障诊断效果,结果表明在变工况迁移下,测试模型在CWRU数据集和JNU数据集的诊断准确率分别能达到99.81％和98.32％,提出的模型能够有效应对复杂工况下的滚动轴承故障诊断.

关键词

轴承故障诊断/自动编码器/卷积神经网络/领域自适应

Key words

bearing fault diagnosis/autoencoder/convolutional neural network/domain adaptive

引用本文复制引用

基金项目

国家自然科学基金(51775072)

重庆市科技创新领军人才支持计划项目(CSTCCCXLJRC201920)

重庆市高校创新研究群体(CXQT20019)

出版年

2023
重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
参考文献量3
段落导航相关论文