基于无监督深度迁移学习的轴承故障诊断

摘要

本文针对目前深度学习轴承故障诊断面临的问题提出了一种基于无监督深度迁移学习的轴承故障诊断。首先将源域与目标域的数据送入骨干网络ResNet18中,ResNet18起到特征提取的作用;其次通过特征迁移的方法减少经过提取器后的源域与目标域之间的差异;最后经过交叉熵损失函数进行分类识别。通过在凯斯西储大学轴承数据集对该方法进行了验证,结果表明:该方法在12kHz的驱动端、12kHz风扇端、48kHz的驱动端迁移后故障识别平均准确率分别达到了99.9%、95.6%、92.4%。