基于改进宽度模型迁移学习的不同负载下滚动轴承状态快速分类方法

来源：电子与信息学报杂志2023年第5期北京时间：

作者：康守强, 杨佳轩, 王玉静, 王庆岩, 梁欣涛, MIKULOVICH V I

单位：1.哈尔滨理工大学测控技术与通信工程学院 哈尔滨 1500802.白俄罗斯国立大学 明斯克 220030

摘要：针对深度学习网络训练耗时以及不同负载下滚动轴承的源域数据和目标域数据分布差异较大的问题，该文提出一种基于改进宽度模型迁移学习的滚动轴承状态快速分类方法。该方法首先对不同负载下滚动轴承振动信号进行快速傅里叶变换，构建频域幅值序列数据集，并选取某种或某些负载数据集作为源域，其他负载数据集作为目标域；其次以循环扩展的方式建立宽度学习系统(BLS)的增强节点窗口，并在增强层引入Maxout激活函数构建改进的BLS网络，同时引入遗传算法优化网络节点结构，建立基于源域数据的预训练模型；最后将预训练模型的网络参数、特征层和增强层的权重参数迁移至目标域网络，并利用少量目标域样本微调网络建立状态分类模型。实验结果表明，所提方法平均训练时间为32.6 s，平均测试准确率为98.9%。对比其他方法，所提方法可以在更短的时间内建立分类模型并获得良好的分类准确率。

关键词：滚动轴承, 快速分类, 宽度学习系统, 模型迁移

基金资助：国家自然科学基金(51805120)，黑龙江省自然科学基金(LH2019E058)