一种残差注意力迁移学习方法及其在滚动轴承故障诊断中的应用
2023-02-20杨绍普刘永强
赵 靖 杨绍普 李 强 刘永强,3
1.北京交通大学机械与电子控制工程学院,北京,100044 2.石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室,石家庄,050043 3.石家庄铁道大学机械工程学院,石家庄,050043
0 引言
随着互联网的发展,机械故障诊断领域进入了“大数据”时代[1]。近年来,数据驱动算法得到了快速发展,智能故障诊断方法吸引了越来越多学者的关注[2]。智能故障诊断算法通过分析被测信号,自动学习故障特征,进而对机器的运行状态进行判别,旨在建立端到端的诊断模型。智能故障诊断算法的发展大致分为以下3个阶段:传统的机器学习方法、深度学习方法和迁移学习方法[3]。传统的机器学习方法主要有人工神经网络 (artificial neural network, ANN)、支持向量机[4](support vector machine, SVM)以及k最近邻分类算法[5](k nearest neighbor, kNN)。传统的机器学习方法虽然可以对机械系统的状态进行识别,但是其网络结构往往比较浅,泛化性能比较差,不适用于处理大批量的数据。深度学习算法的发展弥补了传统机器学习算法的不足。CHEN等[6]利用卷积神经网络(convolutional neural networks, CNN)和极限学习机解决了齿轮和轴承的故障分类问题。ZHAO等[7]建立了卷积神经网络模型,将不同的二维灰度图作为模型的输入完成了不同工况下轴承的故障分类,并对模型的训练过程与结果进行了可视化分析。XIE等[8]利用自适应深度置信网络(deep belief networks, DBN)诊断模型完成轴承故障分类任务。赵志宏等[9]提出一种非对称自编码器方法,完成了旋转机械关键部件的频域特征提取与智能诊断。……
