针对高转速、高温升、大载荷等持续复杂的工况波动引起的航空发动机高速轴承故障诊断问题,提出了一种新型的深度图迁移学习算法,以及波动工况下基于图迁移卷积网络(graph transfer convolutional networks,简称GTCNs)的航空发动机高速...针对高转速、高温升、大载荷等持续复杂的工况波动引起的航空发动机高速轴承故障诊断问题,提出了一种新型的深度图迁移学习算法,以及波动工况下基于图迁移卷积网络(graph transfer convolutional networks,简称GTCNs)的航空发动机高速轴承故障智能诊断方法。首先,利用阶比分析对波动工况下航空发动机高速轴承振动信号进行重采样,将其转化为阶次谱信号作为目标域与源域数据集;其次,采用训练好的一维图卷积网络(onedimensional graph convolutional networks,简称1dGCNs)作为特征提取器,对其高层敏感特征计算其动态多核-最大均值散度(dynamic multiple kernel-maximum mean discrepancy,简称DMKMMD)距离,同时匹配高层与低层特征的边缘分布差异;然后,将对齐后的特征输入到分类器softmax中进行智能故障诊断;最后,在航空发动机高速轴承故障数据上验证了所提方法的有效性与先进性。结果表明,该方法具有更高的诊断准确率与鲁棒性,可以消除大波动工况下健康状态样本分布的差异性,提高诊断可迁移性。展开更多
文摘高速列车在实际运营中的轴箱轴承故障数据及样本标签稀缺,极大限制了轴箱轴承故障诊断水平的提升。为此,本文提出了一种融合IFormer(inception transformer)与残差网络(ResNet)的多源域深度迁移学习方法ITRNet(inception transformer and ResNet)用于高速列车轴箱轴承故障诊断研究。该方法选择多种工况下的有监督标签数据作为多源域,首先采用连续小波变换获取轴承一维振动信号的时频谱图作为模型输入,在ITR-Net中构建IFormer网络和ResNet分别作为通用特征提取器和特定特征提取器,充分学习多源域与目标域数据的特征信息;同时,在迁移模型不同节点位置嵌入多核最大均值差异(MK-MMD)、局部最大均值差异(LMMD)与均方误差(MSE)损失函数,构建了一种新的多源域自适应迁移策略,有效减小多源域间及源域与目标域间的特征分布差异并增强多领域对齐程度。最后,通过分析不同载荷及不同转速下6类轴承故障迁移学习任务,对本文方法进行实验验证。结果表明,本文方法可以有效用于不同工况下轴承迁移学习故障诊断,多源域迁移故障诊断准确率显著高于单源域迁移,并且相比现有的深度适应网络(DAN)、联合适应网络(JAN)、相关对齐损伤(CORAL)网络、域对抗神经网络(DANN)、多特征空间适应网络(MFSAN),本文方法迁移学习诊断结果更为优异。研究结果将为迁移学习应用于轴箱轴承故障诊断提供一条新的途径。
