基于改进交替迁移学习的滚动轴承故障诊断算法

来源：振动与冲击杂志2024年第5期北京时间：

作者：王鹏，李丹青，王恒

单位：南通大学机械工程学院， 江苏 南通226019

摘要：针对不同型号滚动轴承监测信号之间特征分布差异大、故障数据样本少，导致轴承故障精度低的问题，本文提出了一种基于改进交替迁移学习的滚动轴承故障诊断算法。为了充分发挥卷积神经网络(convolutional neural networks, CNN) 对二维数据优秀的特征提取能力，首先将一维振动信号转化为二维图像，输入到深度卷积神经网络中学习；其次，为了减少源域与目标域数据间的特征分布差异，提出了改进的交替迁移学习(improved alternately transfer learning, IATL)，通过交替计算域间的CORAL损失函数和最大均值差异(maximum mean discrepancy, MMD) 损失函数，并反向传播更新各层网络权重与偏置参数，以实现变工况、跨轴承型号和小故障样本条件下轴承特征迁移适配；最后，在全连接层使用Softmax函数对目标域数据进行故障诊断。为了验证本文所提算法的有效性，采用凯斯西储大学(Case western reserve university，CWRU) 的滚动轴承数据集进行了迁移试验验证。结果表明，与仅计算CORAL损失函数和MMD损失函数等算法对比可知，本文算法有效地减少了领域数据之间的特征分布差异，具有较高的故障分类准确率。

关键词：滚动轴承；故障诊断；迁移学习；损失函数；深度卷积神经网络