留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度特征提取和对抗域适应网络的滚动轴承故障诊断

陈凯 张礼华 赵恒 陈景铭

陈凯, 张礼华, 赵恒, 陈景铭. 基于深度特征提取和对抗域适应网络的滚动轴承故障诊断[J]. 制造技术与机床, 2023, (1): 9-15. doi: 10.19287/j.mtmt.1005-2402.2023.01.001
引用本文: 陈凯, 张礼华, 赵恒, 陈景铭. 基于深度特征提取和对抗域适应网络的滚动轴承故障诊断[J]. 制造技术与机床, 2023, (1): 9-15. doi: 10.19287/j.mtmt.1005-2402.2023.01.001
CHEN Kai, ZHANG Lihua, ZHAO Heng, CHEN Jingming. Rolling bearing fault diagnosis based on depth feature extraction and domain-adversarial training of neural networks[J]. Manufacturing Technology & Machine Tool, 2023, (1): 9-15. doi: 10.19287/j.mtmt.1005-2402.2023.01.001
Citation: CHEN Kai, ZHANG Lihua, ZHAO Heng, CHEN Jingming. Rolling bearing fault diagnosis based on depth feature extraction and domain-adversarial training of neural networks[J]. Manufacturing Technology & Machine Tool, 2023, (1): 9-15. doi: 10.19287/j.mtmt.1005-2402.2023.01.001

基于深度特征提取和对抗域适应网络的滚动轴承故障诊断

doi: 10.19287/j.mtmt.1005-2402.2023.01.001
基金项目: 江苏省碳达峰碳中和科技创新专项资金“超大功率直驱式海上风电机组转子房环构件研发及产业化”(BA2022106)
详细信息
    作者简介:

    陈凯,男,1997年生,硕士研究生,主要研究方向为智能故障诊断。E-mail:619637095@qq.com

    通讯作者:

    张礼华,男,1974 年生,教授,主要研究方向为机电装备设计及系统集成技术、流体传动与控制技术。E-mail: zhanglihua2000@126.com

  • 中图分类号: TH133.33

Rolling bearing fault diagnosis based on depth feature extraction and domain-adversarial training of neural networks

  • 摘要: 实现轴承的智能化诊断是实现旋转设备的智能化诊断的关键。在轴承故障诊断实际情况中存在特征提取不完全、变工况情况下传统的诊断方法效率低的问题。针对这个问题,提出了一种组合方法。在该方法中使用具有宽卷积核的卷积神经网络与长短时记忆网络组合的深度特征提取网络对原始的振动信号进行深层次的特征提取,其次以对抗域适应网络实现源域与目标域间的知识迁移,解决了变工况情况下的跨域诊断能力不理想的问题。并对所提方法进行了验证,实验结果表明,所提方法能够有效地实现对轴承振动信号的深度提取以及识别变工况情况下的轴承故障类型,提高了跨域诊能力。

     

  • 图  1  长短时神经网络

    图  2  DANN(对抗域适应)网络模型

    图  3  所提模型的结构图

    图  4  特征提取前

    图  5  特征提取后

    图  6  不同模型准确率对比

    图  7  未添加对抗域适应

    图  8  添加对抗域适应

    表  1  网络结构参数

    编号网络层核大小/步长卷积核数目
    1卷积164$ \times $1/1616
    2池化12$ \times $1/216
    3卷积23$ \times $1/132
    4池化22$ \times $1/232
    5卷积33$ \times $1/164
    6池化32$ \times $1/264
    7卷积43$ \times $1/164
    8池化42$ \times $1/264
    下载: 导出CSV

    表  2  特征提取网络结构参数

    编号网络层核大小/步长卷积核数目
    1卷积164$ \times $1/1616
    2池化12$ \times $1/216
    3卷积23$ \times $1/132
    4池化22$ \times $1/232
    5LSTMUnits=16
    6卷积33$ \times $1/164
    7池化32$ \times $1/264
    8卷积43$ \times $1/164
    9池化42$ \times $1/264
    10LSTMUnits=16
    下载: 导出CSV

    表  3  迁移任务

    迁移任务工况1/hp工况2/hp
    A00
    B03
    C12
    D20
    E31
    下载: 导出CSV

    表  4  未进行对抗域适应时故障诊断结果

    迁移任务工况1/hp工况2/hp准确率/(%)
    A0098.5
    B0380.2
    C1278.5
    D2081.7
    E3168.6
    下载: 导出CSV

    表  5  添加了对抗域适应后的故障诊断结果

    迁移任务工况1/hp工况2/hp准确率/(%)
    A0099.3
    B0398.6
    C1299.4
    D2099.7
    E3198.5
    下载: 导出CSV
  • [1] Hoang D T, Kang H J. A survey on deep learning based bearing fault diagnosis[J]. Neurocomputing, 2019, 335: 327-335. doi: 10.1016/j.neucom.2018.06.078
    [2] Lei Y G, Yang B, Jiang X W, et al. Applications of machine learning to machine fault diagnosis: a review and roadmap[J]. Mech. Syst. Sig. Process., 2020, 138: 106587. doi: 10.1016/j.ymssp.2019.106587
    [3] 宋霖. 基于CNN的滚动轴承故障诊断方法的研究[D]. 无锡: 江南大学, 2021.
    [4] Tzeng E, Hoffman J, Zhang N, et al. Deep domain co-nfusion: maximizing for domain invariance [EB/OL]. (2014-12-10). https://arxiv.org/pdf/1412.3474.pdf.
    [5] Sun B, Saenko K. Deep CORAL: correlation alignment for deep domain adaptation[J]. Computer Vision – ECCV 2016 Workshops: 443–450.
    [6] Wu Y C, Zhao R Z, Ma H R, et al. Adversarial domain adaptation convolutional neural network for intelligent recognition of bearing faults[J]. Measurement, 2022, 195: 1111501-11115014.
    [7] Yaroslav G, Evgeniya U, Hana A, et al. Domain-adversarial training of neural networks[J]. Journal of Machine Learning Research, 2015: abs/1505.07818.
    [8] 张伟. 基于卷积神经网络的轴承故障诊断算法研究[D]. 哈尔滨: 哈尔滨工业大学, 2017.
  • 加载中
图(8) / 表(5)
计量
  • 文章访问数:  410
  • HTML全文浏览量:  31
  • PDF下载量:  74
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-10-08
  • 录用日期:  2022-11-13

目录

    /

    返回文章
    返回