基于判别性特征提取和双重域对齐的轴承跨域故障诊断

摘要

针对不同工况下采集的滚动轴承振动数据特征分布不一致且噪声成分难以去除的问题,提出一种基于判别性特征提取和双重域对齐的深度迁移学习故障诊断方法。首先,将带标签的振动信号和未带标签的振动信号通过固定长度的数据分割方法制作成数据集;其次,为了减少实际工况中噪声信号的干扰,采用通道注意力机制SENet(squeeze-and-excitation networks)及判别损失项来辅助特征提取器提取具有区分度的特征;再次,为了解决数据特征分布不一致的问题,采用最大均值差异来对齐源域和目标域的全局域分布,并采用条件对抗方法来对齐两域的子领域分布,实现双重域对齐。最后,在两个公开变工况滚动轴承故障数据集上进行试验验证,结果表明,所提方法平均识别准确率达到98%以上,并将其与不同诊断方法进行了对比分析,证明了所提方法的有效性与优越性。