基于迁移学习的轴承故障诊断研究.pdf

摘要

随着经济水平的提高以及科学技术的发展，工业制造也在日益朝智能化方向发

展，大量自动化机械设备被投入使用。轴承作为机械设备中的关键零件，实时监测轴

承的健康状态，对于机械设备的平稳运行具有重大意义，从而也能够有效避免相关事

故的发生，保障企业的经济利益。于是，轴承的故障诊断成为了近年来研究的热门领

域，深度学习等新方法也被应用到了故障诊断领域。传统的故障诊断研究存在以下问

题：首先是使用的神经网络模型不能提取到明显的故障特征，导致故障分类准确率较

低，其次，在实际应用中，轴承所处的工作环境并非固定，一旦轴承的工作环境产生

较大变化，轴承的故障分类准确率也会变得较低，即训练的网络模型泛化能力较差。

针对以上问题，本文主要做了以下轴承故障诊断的相关工作：

首先，为了更有效地提取轴承数据的故障特征，本文在卷积神经网络的基础上，

引入了残差项，解决了随着网络层数加深所带来的梯度爆炸以及网络的退化问题。为

了解决噪声对实验结果的影响，本文在此基础上引入注意力机制和软阈值函数，忽略

不重要的特征，加强了网络从噪声信号中提取有效特征的能力。在用卷积神经网络提

取信号特征时，通常会在卷积层之后加入一层激活层，这样可以给网络中加入一些非

线性因素，增强网络的表达能力，通常来说会选择Relu作为激活函数，但是由于Relu

函数负数部分恒为0，会导致一些神经元无法激活，出现“神经元坏死的现象”，因

此本文在激活层使用LeakRelu函数作为激活函数，有效地解决了部分神经元无法激

活的问题，提高了模型的特征提取能力。在实际应用中，滚动轴承正常状态的信号数

据量要远大于故障状态的信号数据量，因此会出现样本不平衡的问题，因此本文通过

引入焦点损失函数(focalloss,FL)，改善了样本数据不平衡的问题，修正了模型训练的

倾向性。

然后，为了解决变工况下，网络模型泛化能力差的问题，本文在最大平均差异

(MaximumMeanDiscrepancy,MMD)的基础上，加上类权重，引入加权最大均值差异，

通过加权最大均值差异最小化源域与目标域同一类特征间的距离，从而减小源域和目

标域特征分布的差异，自适应地将源域学习到的知识迁移到了目标域。通过在最大均

值差异上加入类权重，有效地减小了类权重偏差的影响，而计算两个领域同一类特征

间的距离，充分利用了同类特征间的差异信息。实验表明，本文所采用的改进过后的

域自适应迁移学习方法，可以有效地解决变工况下，网络模型泛化能力差的问题，提

高变工况下轴承故障诊断的准确率。

关键词：故障诊断；残差；注意力机制；软阈值；域适应

ABSTRACT

Withtheimprovementofeconomiclevelandthedevelopmentofscienceand

technology,industrialmanufacturingisalsoincreasinglydevelopingtowardsthedirection

ofintelligence,andalargenumberofautomaticmechanicalequipmentareputintouse.

Bearingisakeypartofmechanicalequipment.Real-timemonitoringofthehealthof

bearingisofgreatsignificanceforthesmoothoperationofmechanicalequipment,which

canalsoeffectivelyavoidtheoccurrenceofrelatedaccidentsandensuretheeconomic

interestsofenterprises.Therefore,bearingfaultdiagnosishasbecomeahotfieldof

researchinrecentyears,andnewmethodssuchasdeeplearninghavealsobeenappliedto

thefieldoffaultdiagnosis.Thetraditionalfaultdiagnosisresearchhasth