基于深度置信网络的旋转机械迁移故障诊断

摘要

在对实际工业场景中的旋转机械进行故障诊断时,旋转机械的变工况会导致测试样本与模型训练样本间存在分布差异,进而影响故障诊断模型的准确率,对此,提出了一种基于深度置信网络的旋转机械迁移故障诊断方法。首先,利用最大重叠离散小波包变换处理了原始振动信号,提取了统计特征构建原始特征集;其次,基于源域有标签特征数据和目标域正常状态下的特征数据,运用了基于Fisher Score与域间最大均值差异的特征选取方法(FSFM),选取了判别性能和域不变性好的特征,用于后续的模型训练;然后,采用预训练微调的迁移学习方法,构建适用于目标域数据故障识别与分类的迁移深度置信网络;最后,采用SQI-MFS机械故障模拟试验台的轴承和电机故障数据开展不同工况下的故障诊断实验。研究结果表明:选取判别性能和域不变性好的特征用于诊断模型训练,能够明显提高故障诊断准确率,轴承和电机在不同工况下的故障诊断精度最高分别可达90.83%和86.83%,可验证提出的迁移故障诊断框架的有效性;此外,一系列对比实验表明所提出框架的诊断性能明显优于文中的对比模型,进一步验证所提出的方法具有应用于实际工业场景下故障诊断的潜力。