张西宁,余迪,刘书语

(西安交通大学机械制造系统工程国家重点实验室,710049,西安)

滚动轴承作为广泛应用的基础零部件,其工作状态直接影响着整台设备的正常运行,在旋转机械中有举足轻重的作用[1]。随着“大数据”时代的到来,以低密度、大数量、多形式为特征的大数据给轴承监测诊断带来了新的挑战[2]。传统基于人工信号处理的方法已不能满足大数据的需求[3],以“数据驱动”的深度学习方法在诊断识别领域崭露头角,并取得了大量成果[4-7]。由于滚动轴承型号繁多,运行工况也相差各异,基于深度学习的轴承诊断方法在实践中遇到了训练数据不足或样本标签缺失等小样本问题;且不同工况和型号下轴承状态数据分布不同,无法使用同一网络进行分类,需要开展迁移学习研究[8]。

为解决小样本问题,目前诊断中常采用扩充数据以及改进网络结构的方法。黄南天等提出了一种改进辅助分类生成对抗网络,生成与少量数据概率分布相同的大量样本[9]。Hu等使用阶次跟踪和重采样处理不同转速的轴承数据,使用适应批标准化网络进行跨工况故障分类[10]。Zhang等设计了一种多尺度紧凑卷积神经网络,使用较少网络层提取多尺度信号特征[11]。刘书语等对卷积核和池化方式进行改进,在变转速多轴承数据集上达到了98.4%的准确率[12]。Li等使用参数迁移网络,实现了不同型号轴承数据的故障分类[13]。

本文对卷积神经网络的结构进行改进,与参数迁移学习结合,提出了一种用于小样本的迁移学习轴承诊断方法。……