摘要
随着设备检测点的数量与采样频率的增加,机械健康监测进入了"大数据"时代.深度学习以其强大的自适应特征提取和分类能力也在机械大数据处理方面取得了丰硕的成果.在故障诊断领域,目前深度学习方法的研究对象均集中于单一故障,而复合故障却鲜有人涉足.复合故障因为其各类故障信号间有耦合,变化的工况(负载,转速)也会对信号产生较大影响,所以难以准确诊断.面对复杂的复合故障,传统的Softmax分类器已不能精确高效的完成故障诊断.提出了一种基于Triplet loss的深度度量学习模型的诊断方法,对齿轮箱的轴承及齿轮这两种目标的故障同时进行诊断.其优势在于通过该模型提取故障信号的特征,再利用Triplet loss度量各类故障之间的距离,使得同类故障特征间的距离很近,异类故障特征间的距离很远,从而高效完成诊断任务.试验结果表明,该方法实现了在多种工况,大量样本下对齿轮箱内轴承和齿轮不同故障的准确诊断.
NETL
NSTL
维普
万方数据