文摘

如今,深度学习取得了很大的成就在旋转机械故障诊断领域。但在实际工程情况,当面对大量的未标记数据和变量的操作条件,只使用深学习算法可能会降低性能。为了解决上述问题,本文运用一种方法相结合的转移与深度学习学习。首先,深收缩构造残余网络通过添加软阈值提取轴承振动数据噪声的特征冗余。然后,联合最大平均偏差(JMMD)标准和条件领域对抗(CDA)学习领域适应网络用于对齐源和目标域。同时,添加可转让的语义增强(TSA)经常项目改善类之间的对齐性能。最后,通过三个实验验证了提出的模型:可变负荷,变速,变量噪声,克服了传统的缺点深度学习和肤浅的迁移学习算法。

1。介绍

随着现代工业的发展对智能、工业设备的健康管理模式基于大数据已成为一个热点研究领域。实现实时监控的目标机械的健康和性能,它是越来越重要,加快建立一个稳定、可靠的预测和健康管理(榜单)1]。在一个工业系统中,所有元素是在一个相对耦合的工作状态,工作和任何失败可能会影响整个机械系统的正常运行。由于测量信号通常是瞬态和动态,很难实现的监控和故障早期诊断使用传统的时频分析方法(2]。为了确保最高可能的正常运行时间,系统维护的方式应该改变的实时监控和预测预防(3]。为了实现这些目的,智能故障诊断方法近年来已成为一个重要的研究领域。

开发的智能故障诊断方法的基础上,传统的机器学习和深入学习。有别于传统的手工方法提取故障特征信号,智能故障诊断方法不需要先验知识对信号处理但直接从振动数据中提取有用的信息收集和数据驱动的方式实现早期故障诊断(4]。其中,人工神经网络(ANN)、支持向量机(SVM),深层神经网络(款),和其他模型是使用最广泛的模型智能故障诊断(5,6]。Merainani et al。7]使用自组织特征映射(SOM)神经网络识别和分类自动变速箱故障,用自组织和自适应算法有效地识别齿轮箱早期故障。陆et al。8]使用堆叠去噪autoencoder (SDA)贪婪layer-wise培训,取得了更高的精度比安和支持向量机诊断信号包含环境噪声和波动的工作条件。在智能故障诊断的开发过程,算法和数据总是最重要的两个核心。系统的复杂性和获得的数据量增加,增加标签的成本数据。当面对大量的未标记数据,很难保证理想的精度只要依靠通用学习网络。同时,监测数据不可能保持相同的空间分布在整个调查期间,考虑到实际工程条件。数据变化的联合分布的改变机械速度、负载和噪音。因此,在实际应用中,基于智能故障诊断的泛化性能可能会降低。

因此,转移学习作为一种新的故障诊断工具解决了上述问题。此外,转移的理论学习不断补充和完善,证明了其在各领域的适用性(9,10]。转移学习的重点是如何解决新问题根据知识已经学习了学习和重用知识通过事物的内在特征的相似性(11]。深度学习优越在提取数据的高维抽象特性。它可以映射两组数据有不同的分布(源域和目标域)到相同的空间。在这个时候,它可以减少传输特性的区别学习,这不仅可以准确地分类源域数据也达到领域适应气候变化的目的。分配一些任务几乎没有区别,可以实现更好的结果在目标域只有转移pretrained网络的参数训练的网络。然而,在实践中,源和目标域有不同的功能空间,但他们可以通过最小化测量不同域之间保持一致。指标,用以衡量分布差异领域包括KL散度、平均最大差异(MMD),瓦瑟斯坦距离,珊瑚损失(12]。这些索引添加到损失函数,然后,自适应的目的是通过梯度下降法实现。然而,这种浅自适应层仍然是不够的,因为它只能实现全球领域适应气候变化的影响,而重叠的困惑可以发生在某些域较小的歧视。深度学习转移(迪泰)基于深层网络继承的能力深神经网络提取强烈的信号特征。另一方面,它克服了缺点的鲁棒性和泛化浅转移学习。郑et al。13]迪泰总结为以下五种方法:实例方法,重新调整功能转移的方法,分类器适应方法,基于深度学习的方法,adversarial-based方法。汉et al。14)的数据使用已知的工作条件pretrain CNN和意识到未知的工作条件下的故障诊断基于CNN通过微调重量参数。一个et al。15)使用多核多域自适应框架的特性不同领域方法在再生核希尔伯特空间,提高了结果的稳定性和准确性。温家宝et al。(16)使用ResNet-50结合转移学习提取时域故障的特征信号转换为RGB图像和所取得的最先进的测试数据集的结果。这些研究显示深转移的有效性学习的诊断机械变量条件,但仍有一些问题需要进一步研究:(1)大多数转移学习方法并不考虑分类器输出之间的联合分布标签和输入数据,但只有边际分布的数据。(2)的非线性特征提取能力的影响深度学习框架领域适应创新的过程中没有讨论是迁移学习算法。

针对上述问题,本文通过以下想法进行相关研究。(1)构造两个模块实现域适应源域和目标域。一方面,使用联合分布不同的输入特性和输出标签,域适应性在特征提取和分类由JMMD层。另一方面,叉使用功能和预测之间的标签进行域对抗训练减少域漂移。这两个模块不仅实现类之间的最大区别,也意识到域多模条件下适应。同时,可转让的语义增强(TSA)常规条款添加到损失函数来提高源域的隐式特征,提高领域适应气候变化的影响(2)深收缩残余网络构造为主要网络一维振动信号的特征提取。通过设置软阈值的残块,原始信号中的噪声抑制,使故障特征可以更好的适应在映射空间,并提高整个算法的鲁棒性框架(3)在实验中使用的数据集是CWRU轴承数据集和Canadian-Ottawa轴承数据集。深度域去噪的有效性验证本文提出的自适应网络的三个场景操作,连续操作,抗噪音的,最先进的成果

2。转移学习方法

2.1。预赛

在转移学习,“域”和“任务”是最重要的两个概念。域和任务分别划分为源域,目标域,源任务,和目标任务11]。本文打算解决问题的无监督领域适应训练数据标签和测试数据没有标签。在形式上,我们表示 标记源域数据和 作为标记目标域数据,和分别是样品的特性和样本的标签。其中,上标表示源域,表示目标领域,表示域的数量。这也代表一个域 ,在哪里是 - - - - - -维源域和目标域的特征空间,和是边际概率分布, 。为一个域 , 用于表示一个任务域的适应。其中,标签和空间吗是边际概率分布,即边际分布特征向量之间的关系和标签空间在预测函数的映射 。在网络训练期间,只有源域标签空间,但是目标域没有标签空间,所以预测函数的训练只能依靠源域数据。在转移的情况下, 或 通常是礼物。因此,训练预测函数只有通过源域数据将导致有限的模型的泛化能力。为了实现领域适应气候变化,有必要整合目标领域之间的差异数据特征和源域数据特征为网络培训,所以目标域数据在测试集可以正确地映射到相应的标签空间的情况 。

2.2。JMMD和CDA

Borgwardt et al。17)首次提出最大均值差异(MMD)方法来测量这两个分布在统计意义上的区别。考虑到数据的分布特征和源域和目标域的多党民主运动可以定义如下: 在哪里再生核希尔伯特空间理论代表了再生核希尔伯特空间()和数据从高维特征空间映射到低维空间通过核函数 。在实际应用中,数据的领域适应复杂的多通道条件下通过多党民主运动非常有限,很难优化和内核参数。车载信息等。18]提出的凸组合多个核心有效映射估计实现深度域适应。然而,当Multikernel多党民主运动(MK-MMD)是用于深度域适应,顶部的功能只能传输层通过深化网络层的数量,和标签分布的转移和仍然停留在分类层。为了充分考虑功能空间和标签空间的联合分布,长et al。19)提出了联合最大平均偏差(JMMD)方法,定义为 在哪里代表的激活函数的输出th级网络, 。与公式(1),JMMD计算每一层的特征空间的映射张量积希尔伯特空间在测量距离。特征样本映射到一个固定的直径超球面通过激活函数,以便样品具有相似特性更紧密地聚集在特征空间;类之间的距离是扩大和减少类之间的距离,以平衡训练难度不同分布式数据(20.]。为了提高域适应,本文采用域敌对的神经网络的概念和形式供参考深度对抗的领域适应网络通过增加梯度逆转层(GRL)特征提取后层。GRL是相同的结构参数在文献[21),所有三个完全连接层。具体参数如表所示1。

与多党民主运动的方法,将空间距离度量,adversarial-based域训练遵循游戏的概念生成对抗的网络,这样可以对齐源域和目标域的网络培训。域对抗网络通常分为特征提取层 ,分类层 ,和域识别层 ,和每一层的参数是由 , ,和 ,分别。GRL也被称为域鉴别器。它的功能是最大化分类损失源域和目标域和迷惑目标域之间的数据与源域数据。网络的分类器实现了精确的分类数据通过最小化分类损失。不同于生成对抗网络域对抗网络不需要发电机。为了进行对抗训练,我们梯度逆温层的误差乘以负的参数 ,所以网络训练的目标之前和之后GRL层是相反的,实现对抗训练(22]。末尾的对抗训练,这表明域鉴别器的损失已达到最大,所以域鉴别器对齐源域和目标域在最大的程度上。然而,域对抗训练仍有相同的缺陷多党民主运动。它只计算的边际分布和并忽略其联合分布。类似于JMMD,为了解决这个问题 ,有必要考虑信号提取的联合分布层和分类层。多维和multifeature数据域的功能层和分类层对抗网络矩阵由意味着映射的方法 。在GRL层、源字段标签设置为0,和目标字段标签设置为1。为了防止个人的损失函数值由于nontransfer样本趋于无穷大,所以域对抗的训练不能有效地收敛,在训练之前,熵判据应用于预测概率对应的标签特性(21]。上面的形式形成的损失函数是一个条件域对抗(CDA)损失函数,定义为

2.3。可转让的叉丧失学习

CDA和JMMD使用深度的方法转移特性的源域和目标域实现域适应。因此,叠加一分之二转移学习模块可以在理论上达到优势互补的效果,如JMMD不仅降低了边际分布的差异,而且降低了联合分布的差异,有助于减少和域对抗领域漂移的现象领域适应的过程。转移学习是广泛应用于图像识别,和许多转移学习方法取得了好的结果在公开数据集。然而,相比之下,一些形象公共数据集,轴承故障信号也有高度耦合的特点,非线性和非平稳的。因此,为了进一步提高轴承故障诊断的领域适应能力,我们应该充分利用标记样本源域。如图1李等人。23)提出了一个可转让的语义增强(TSA)方法来提高分类器的适应性隐式生成源特性目标语义。

相同的轴承结构,振动信号的高维特征将在转移学习迁移四面八方,和共振引起的高频特征会沿着一定方向的传输频率。因此,定量测量方法需要突出的方向对领域适应气候变化的影响最大。使用和的平均值来表示源域和目标域的特征空间,分别和使用 代表类的平均值的差异样品在源域和目标域。差异越大,总体偏差就越大,所以域漂移可以减少的价值的手段 。然而,的价值是比较广泛的。为了更准确地测量分布差异,这也是必要的计算协方差在目标类和测量不同的偏移方向目标域相对于源域的最高水平的网络。最后,多元分布差异 由interdomain意思不同吗和intratarget协方差 。应该注意的是,TSA方法侧重于使用源域向目标域的特征尽可能多。在这里,最高的网络层的特点是指输出矩阵 最后的完整的连接层,它将反映在以下公式。在网络训练,转移后的损失迭代是由使用叉: 在哪里和代表过去的权重矩阵和偏移向量层网络和完整的连接层,分别。同样,为了提高域适应性无监督学习下,有必要使用标签的联合分布概率空间和功能空间。这个时候,目标域空间缺乏注释,所以我们需要使用pseudolabel方法和目标特性形成了互信息值 。因此,TSA定义如下: 在哪里是一个经验参数,需要比较和价值探索在实验部分23]。TSA损失函数基于interdomain特征平均偏差和类条件协方差计算低于数据生成antidomain适应,和它的轻量级的优势可以嵌入到其他领域适应算法。因此,结合上述领域适应方法,非监督学习轴承故障转移的损失函数是构造如下:

领域适应气候变化的过程中,由于网络的随机初始化,网络参数不能反映真正的域特性分布在初始阶段,所以轴承源领域的丰富的标签数据用于pretraining之前转移。一组时代后,分类层可以实现更好的分类效果源域,然后开始域上的适应。

2.4。深残余收缩网络

在深度域适应,网络骨干转移中发挥着重要作用特性。在某种程度上,适当的骨干网比先进的传输算法[更重要21]。在很多实验领域适应气候变化,如CNN (24],ResNet [25],VGG [26),而AE (27)展示优秀的特征提取在图像传输中的应用能力,语义转移,和信号传输。然而,并没有相关的研究,应选择适当的骨干网特定传输对象。本文的目的是开展学习轴承故障转移在复杂多变的工作环境。希望可以早期诊断故障轴承的振动数据和标签收集在未知的工作条件。考虑到实际振动信号采集的过程中,不仅传感器收集的实际振动信号测试轴承还其他噪声信号,如轴承振动干扰的其他部分,噪声干扰的工作环境,和噪声干扰的传输部分。抑制噪声干扰和热点问题始终是一个难以提取弱信号的轴承早期故障信号处理方法(28]。其中,各种改进算法基于小波变换广泛应用于轴承信号噪声过滤,但前提是掌握信号的先验知识,和设计的滤波器和小波参数的选择需要连续实验获得最优值。此外,噪声的存在会降低神经网络的能力微弱的早期故障特征信号提取的边界,使集群高维特征模糊聚类,这领域适应气候变化的影响变得更糟的是在转移的过程中。因此,为了克服噪声的影响的领域适应轴承故障信号,网络层类似于滤波算法需要嵌入在骨干网络自适应减少噪声对特征提取的影响。赵et al。29日)提出了残余网络自动添加一个软阈值学习噪声阈值,减少噪声干扰,实现轴承故障诊断在高噪音。基于深度的残余收缩网络,本文将改进的一部分构建的骨干网传输的网络结构学习。

2.4.1。深残余收缩模块

残余收缩模块的基本单位是深残余收缩网络,体现一种注意力机制的想法:通过消除数据特性的贡献比例低,整体数据的重要特征更突出的特点。虽然这种方法可以消除特性有利于转移学习,它仍将在网络通过剩余的标识映射模块,但是它的比例会降低模块的转移。残余收缩建筑单位与channel-wise阈值(RSBU-CW)如图2。

和 ,分别代表的宽度和通道特性。每个通道的RSBU-CW有独立的阈值。特性简化为一维向量通过绝对值和全球平均池,然后,一维的向量是传播与两层FC完全连接网络。每个通道都可以有一个独立的阈值通过第二层的神经元数量符合通道的输入特性映射的数量。阈值可以被定义为 在哪里的参数吗th层了 和 ,和索引的宽度、高度和通道特性的地图吗 。在网络迭代训练,每个频道的阈值会随着时间改变。当功能的范围 ,通道阈值将被设置为0,这些特性远离0将接近0。

2.4.2。基于初始模块改进池层

《盗梦空间》模块提出了解决性能问题的饱和度和重量轻的层数谷歌网网络加深。从inception-V1 V4,模型不断改进和性能也在不断提高。《盗梦空间》的主要思想是将大卷积块卷积成小块通过系列和叠加。由于收集到的轴承数据是一维振动数据,卷积池需要被传递给RSBU-CW之前进行。如果传统的大型卷积 采用,它并不适用于大型轴承故障诊断数据的行业。为了保证特征提取的效果,减少网络的体积计算、轴承、一维时域输入信号的一种改进的数据池层如图3。

改进的数据池层图中采用卷积3小层代替 卷积层。通道的数量设置为8,16日和16日,分别添加和剩余连接结构。最后,提取的特征信息数据输出通过最大池层。

2.4.3。剩余的基于块的扩张卷积

扩张卷积有普通的卷积,卷积操作一样但是扩张卷积使用特定的步骤以跳跃的方式读取数据,从而获得更大的接受域同时保持参数不变,所以每个卷积输出包含更多的信息。因此,本文取代了普通卷积RSBU-CW扩张卷积和增加了接受域通过设置扩张率。假设普通卷积是内核的宽度 。当扩张卷积与扩张速度介绍了扩张的宽度卷积内核变得吗 。和一维卷积使用;卷积核的高度总是1。扩张卷积改善轴承信号的稀疏特性,但与此同时,为了确保后振动信号卷积操作的连续性,扩张率不应太大。验证了相关实验,扩张速度时轴承故障的准确性更高 采用。在这个时候,所获得的接受域 卷积核在RSBU-CW相当于带来的接受域 卷积的内核。

2.5。网络培训的框架

如图4,它是网络培训框架提出了。针对传统深度学习的泛化能力的问题,对轴承故障诊断在变量条件下,一个域转移培训网络提出了基于深残余收缩剩余模块。整个网络由骨干网络使用RSBU-CW模块和深度域传输算法。为了提高域转移的影响,损失函数由显式JMMD损失和CDA损失和隐式TSA的损失。网络是pretrained通过轴承振动数据与已知的标签在源域。更新网络参数后,标记目标域数据传输加速领域适应气候变化的速度。

3所示。实验结果

在本节中,将使用两个开源轴承数据集来验证该方法的有效性在轴承故障诊断。主要框架是由Python写的。所有的实验都是运行在一台计算机配备i7 - 9300 h CPU和GPU NVIDIA GeForce 1050 GTX公司。

3.1。数据集

3.1.1。凯斯西储大学(CWRU)数据集

CWRU [30.]轴承数据集是一个开源的数据集的凯斯西储大学实验室广泛应用于轴承故障诊断的研究。在实验中,振幅数据收集SKF6205电动机轴承的加速度传感器安装在电机驱动端和风扇。正常轴承的数据由操作数据和故障轴承操作数据。故障定位和损伤大小是不同的。详细的数据描述如表所示2。

轴承传递任务 ,分别对应于四个不同的速度。轴承的负荷在每个速度也不同。在某一恒定速度,它分为10数据类型。轴承故障内部断层的位置(如果),球断层(BF)和外部故障(的),NA代表正常的轴承。

3.1.2。渥太华大学轴承数据集

收集的数据集来自渥太华大学的实验室31日]。每个样本的收集数据集在时变转速条件下,不同于CWRU数据集。详细的数据描述如表所示3。

每个样本的收集时间是10 s,和采样频率是200千赫。在采样时间,轴承的运行速度将会改变,可以分为四种类型:加速、减速,加速前减速,减速的加速度。如图5轴承运转速度的变化显示四个操作条件下,分别和速度是由轴承转动频率。轴承健康状态分为三个条件:正常、内圈故障和外圈故障。其中,转移的任务 表明源域是错误数据在加速运行条件下,目标域是轴承的情况下减速。

3.2。实现细节

3.2.1之上。的输入数据

这两个数据集样本平衡略有不同。其中,样本的数量在正常工作条件下的CWRU数据集比其他工作条件下,在渥太华轴承数据的样本数量是平衡的。这个实验不处理样本平衡但使每个源域和目标域的样本数量是一样的。分段时间轴承振动信号时,增强数据的方法将不被使用,因为增强型数据可能重叠的训练数据和测试数据在一段时间,导致不可靠的测试精度。如图6,这是一个原理图的源域和目标域的划分样本。其中,源域样本和目标域的训练集样本占80%,和测试集占20%。考虑采样频率这两个数据集之间的差异,1024年和8192年采取的样本长度CWRU数据集和渥太华数据集,分别。

3.2.2。训练方法

合理划分样本后,源域和目标域的数据被发送到网络培训。一维轴承振动数据样本首先通过改进池层提出,然后经过四个RSBU-CW模块,最后计算域自适应损失价值通过GRL层和分类器层。在网络训练中,更新的参数分为两个阶段。如图7,第一个是pretraining过程使用标记源域数据,在目标域数据不参与培训过程。在第二阶段,源域和目标域数据被发送到网络在同一时间域适应,和损失的价值领域适应用于反向传播。其中,50时代pretraining节点设置为域设置和200时代适应节点。梯度下降算法采用亚当,动量的值设置为0.9,批量大小是64。

3.3。评价结果

在本文中,两个开源的数据集是用于验证该模型的有效性变量下的轴承故障诊断工作条件。为了适应工业应用场景中,模型的适用性在高噪音也将被讨论,和结果将由可视的图表。

3.3.1。模型的结果

如数据所示8和95岁以下,测试精度的两个数据集显示方法,分别。五个方法基础上,珊瑚、多党民主运动,CDA,本文提出的方法。其中,基础意味着它不使用任何领域适应方法和只使用由源域网络训练数据直接测试目标域的测试集。其他三个方法是常见的领域适应气候变化的方法。为了保证结果的可靠性,10为每个方法进行实验,测试结果的平均值的时代被认为是最终结果。

从图可以看出,除了珊瑚方法,采用其他领域的适应方法可以大大提高故障诊断的准确性变量下的工作条件;特别是当工作环境大大不同,迁移效果越明显。例如,对于两个工作条件下的相互迁移 在图8下,提升效果是最明显的领域适应气候变化的方法。CWRU数据集,但该方法没有多少机会改善,总体精度仍略高于其他方法。这是数据集本身密切相关,因为CWRU数据集设置人为的错误,和故障特征是显而易见的。此外,CWRU数据集的迁移主要是转移在不同负载下,轴承的数据是在一个统一的速度条件下测量。相比之下,渥太华的工况数据集是更复杂的,和迁移后的数据集之间的速度差异更加明显。速度的变化将导致故障特征的变化,所以图的准确性9低于图吗8作为一个整体。总的来说,该方法结合的优势领域对抗迁移和联合分布迁移。通过嵌入TSA损失,它解决的问题域漂移在传统领域适应方法和提高分类器的适应性。

为了进一步说明添加TSA正则项的影响训练收敛结果,图10吸引损失曲线和测试精度之前和之后添加TSA正则项。曲线的传输任务图中所示的是在渥太华数据集(0,1)。

它可以清楚地看到,在添加TSA正则项,转让损失递减曲线的波动是改善,10时代后,精度显著提高。这是因为之前添加TSA正则项,基于冲突域迁移方法将导致损失值的波动,这将影响测试集的准确性。TSA可以隐式地加强数据的迁移特性从源域到目标域,提高分类器的能力适应域,和降低分类的波动效应引起的对抗领域的培训。

3.3.2。骨干网络的鲁棒性

骨干网络也有一个伟大的对领域适应气候变化的影响。为了公平比较转移的影响学习,比较实验需要进行相同的骨干网络,所以骨干网络的讨论已经被忽视了。在本文中,我们选择一个深残余收缩与抗噪音的效果,一个是由于工业实际情况的需要,二是抑制噪声的影响域迁移。实际测量轴承振动信号含有丰富的噪声信号,这可能会导致冗余数据密集型地区,和去噪将帮助域迁移。如图11为了模拟实际工作环境,高斯白噪声添加到目标的实验。

实验对象是渥太华轴承数据。三种不同的网络结构CNN, ResNet RSBU-CW采用进行实验根据设置域迁移任务。噪声强度 ,10为每个迁移实验诊断任务,最后,平均值作为结果。如图12故障诊断准确性的高斯噪声的测试集是所有迁移任务的平均值。其中,CNN和ResNet采用卷积RSBU-CW相同大小的块。从最终的结果,可以看出域迁移诊断RSBU-CW在高噪声环境的影响比传统CNN和ResNet并能保持强劲的鲁棒性。这是由于骨干网采用软阈值收缩函数,有效地抑制冗余噪声特性的轴承故障特性,以充分发挥领域适应气候变化的影响的方法。尽管引入软阈值会增加网络的计算量,提高故障诊断精度的变量的工作条件下轴承。为了进一步比较软阈值对模型的复杂性的影响,表4比较三种模型的训练时间5 dB和5分贝的噪声强度下,分别。可以看出,改进本文数据汇聚层的偏移带来的影响软阈值算法的引入在一定程度上。

3.3.3。网络可视化

数据13和14网络可视化结果嵌入到完整的连接层使用吗 - - - - - -分布式随机邻居嵌入(t-SNE),表示源域样本,表示目标域样本,代表了正常样本源域。从聚类结果可以看到,在没有域的适应方法,类在同一个域可以有效区分,但类相同的源域和目标域不能得到正确的映射关系,和大量的重叠区域图中可以找到。框架下提出,同一类别在源和目标域之间是一致的。因此,这两个域的准确性适应和网络可视化的结果证明网络框架的有效性。

4所示。结论

基于深度的残余收缩网络,本文使用条件的结合领域对抗的领域适应和联合分布域适应解决故障诊断精度低的问题,微弱的抗噪声性能,与泛化能力负荷变化和噪声干扰造成的滚动轴承的实际操作环境。根据两个开源数据集实验,结论如下:(1)转移方法提出了集成的优势对抗域传输和联合分布式传输。与此同时,通过添加TSA正则项,它有效地解决了领域漂流在无人监督的领域适应问题。与其他传统的预适应方法相比,精度提高。同时,能改善性能不同领域之间的转移和扩展了智能故障诊断的应用范围。它提供了一个新的想法来解决面临的问题,大量的未标记数据在轴承故障诊断(2)骨干网络中添加一个软阈值提高了整个网络框架的鲁棒性。同时,在抗噪音的实验中,深残余收缩性能的网络使用软阈值约3%和6%高于传统的CNN和ResNet网络,分别实现轴承故障诊断的抗噪功能的行业。此外,通过改善池层基于模块的概念,原始数据的特征信息是有效地提取,所以这种方法能有效地传输数据的特征信息(3)这两个数据集,分别包含可变负荷和变速操作的轴承。从最后的测试集的诊断准确性,变化越大源域和目标域之间的区别,更困难的转移。然而,本文中使用的数据集收集进行理想的实验环境,仍有差距与实际工业生产环境。因此,它仍然是一个挑战进行早期故障预测轴承数据没有标签下的工作条件复杂的变量。与此同时,缺乏相关的比较实验网络训练参数的设置。在未来的研究中,它将与其它智能算法相结合相关优化

数据可用性

使用的数据来支持本研究的结果可从凯斯西储大学轴承数据中心网站(https://csegroups.case.edu/bearingdatacenter/pages/welcome-case-western-reserve-university-bearing-data-center-website)。

的利益冲突

我们声明,我们没有任何商业或关联利益代表的利益冲突与提交的工作。