文摘

近年来,基于深度学习旋转机械设备故障诊断的方法吸引了极大的关注。然而,因为数据特性分布呈现不同的应用程序在不同的工作条件,深度学习模型不能提供令人满意的性能故障预测在这样的场景。为了解决这个问题,本文提出了一个域adversarial-based EMBRNDNMD滚动轴承故障转移的诊断模型。首先,一个EEMD-based时频特性图(EEMD-TFFG)施工方法,提出了和非线性的非平稳振动信号的时频信息提取;第二,多分支ResNet (MBRN)结构设计,用于提取深度特性代表从EEMD-TFFG轴承状态;最后,解决模型领域适应问题转移在不同工作条件下,敌对的网络模块和MK-MMD分布差异评价方法介绍了优化MBRN,以便减少概率分布差异的深层特征源域和目标域,并改善EMBRNDNMD在国家目标领域的诊断的准确性。实验的结果在两个轴承故障测试平台证明EMBRNDNMD能保持平均精度达到97%以上故障转移诊断任务,这方法还具有较高的稳定性和较强环境适应能力。

1。介绍

旋转机械设备已经广泛应用在各个领域,如相关行业,军事和民用。随着旋转机械设备的重要组成部分,滚动轴承直接影响机械设备的工作效率和工作条件。然而,由于长期暴露在恶劣的工作条件的高负载,滚动轴承的部分往往会遭受损失。轻微损坏可能会降低机械设备的运行效率,同时严重损害可能导致关闭设备,甚至可能导致人员伤亡。因此,研究滚动轴承的状态检测和故障诊断具有重要的理论意义和工程价值提高生产力,确保安全生产。

在基于信号处理的故障诊断研究,好的结果已经通过结合传统特征提取和机器学习的分类1- - - - - -4]。特别是信号处理方法由集成经验模态分解(EEMD),轴承故障机理信息可以通过分析振动信号的固有模式函数(货币)。汉et al。5)提出了一种滚动轴承故障诊断的方法基于EEMD排列熵和模糊聚类。王等人。6)提出了一个改进EEMD算法,筛选和整体数量是自适应的。杨et al。7和胡锦涛et al。8)提出了一个基于EEMD故障检测和诊断方法和支持向量机(SVM)。此外,邵et al。9)提出一个方法称为深波auto-encoder极端学习机(ELM)智能滚动轴承的故障诊断。李等人。10)提出了一个density-based聚类方法与主成分分析(PCA)提高可变负荷的性能诊断故障诊断。在上面的研究中,需要选择适当的信号处理方法,提取有效的特征根据数据的特点,如EEMD、小波变换(WT)和主成分分析。太经验,然而,这些方法的结果,选择功能将直接影响诊断结果。为了减少人类经验的影响,更好的方法是使模型自动提取特征(11,12]。

近年来,快速发展的深度学习在计算机视觉中,许多学者深学习方法应用于故障诊断领域。与机器学习相比,深度学习可以从信号自适应地提取深度特性,解决了故障特征的提取困难(13]。周和姚明et al。14,15)开发了一个基于卷积神经网络(CNN)的故障诊断方法,轧制饲养通过使用振动波形的二维图像输入CNN。风扇等。16先进方法对卷积神经网络和传输学习为基础的故障诊断方法,针对滚动轴承的振动图像样本受强噪声的影响。

然而,随着网络层的增加,传统的深度学习方法受到梯度和梯度爆炸消失的问题,因此模型不能有效地更新的重量(17,18]。为了解决这个问题,他et al。19)提出了一种深残余网络(ResNet)在2015年,它使用快捷键直接传输的数据网络的前层到层,通过添加完成功能融合。魏et al。20.)提出了一种新颖的框架,结合残余网络作为骨干和一个极端的学习机器诊断旋转机械的故障分类器。小王和温家宝et al。21,22)构建了一个多尺度深内部类适应网络,使用修改后的ResNet-50提取底层特征,实验结果表明,该模型优于其他深度学习模型和传统的方法。如何有效地提取特征的轴承智能诊断模型是一个值得研究的问题。本文提出一种基于EEMD方法和改进的多分支ResNet深轴承故障特征提取时域和频域。然而,深度学习方法在故障诊断的成功很大程度上取决于足够的并将训练样本,但是很难满足这些要求在实际工作。

传递学习法可以有效地解决数据缺乏的问题,因为它是能够应用的知识学会了在源域到目标域,可以帮助改善预测精度的未标记的数据23- - - - - -26]。在故障诊断领域,转移学习方法可分为基于模型的方法,如最大平均差异(MMD),和域发布出去是依靠方法,比如域对抗训练神经网络(丹)27- - - - - -29日]。李、杨等人。30.,31日)提出了一种基于多特征表示增强方法和领域的对抗训练。格瓦拉et al。32]提出一种基于域的自适应方法,可以计算出多核的最大平均差(MK-MMD)选择隐层,并将其添加到损失函数,以提高深层神经网络的泛化能力。唐et al。33MK-MMD损失)集成到传统的微调卷积神经网络(CNN)转移学习框架,提出了一种新的semi-supervised转移学习(STL)方法。毛和Cai et al。34,35先进新颖的敌对的DA方法叫做敌对的残余转换网络(ARTN),直接将源特性转换成目标特征空间来提高泛化能力。李等人。36)提出了一个新颖的加权敌对的传输网络(WATN)故障诊断在某些领域,取得了令人满意的性能。多党民主运动和丹都取得了良好的表现在故障诊断,但在某些情况下变量的工作条件,一个单一的传输方法往往表现不佳。因此,提出了一种多个传输故障诊断方法相结合的多党民主运动和丹解决诊断性能退化模型场景转移的工作条件。

深度学习技术的优点深自适应地提取特征的数据,可用于建立一个端到端的诊断机制。大量的研究已经进行智能诊断模型旋转机械设备基于深度学习。然而,也遇到各种问题在当前的研究中,如噪音,振动信号易受干扰的设备故障样本不足,分布目标数据和源数据之间的差异造成的改变设备的工作条件。解决这些问题应基于深度学习的重点故障诊断模型在未来的研究。

在我们的论文中,EEMD方法采用滚动轴承振动信号进行预处理,获得振动信号的时频信息,我们提出通过构建EEMD-TFFG。解决退化问题的模型诊断能力转移的工作条件下,丹和MK-MMD介绍了优化多分支ResNet (MBRN),以减少深度特征的概率分布的差异之间的源域和目标域和提高目标域的状态诊断的准确性。本文的主要贡献如下:(1)我们提出一个建筑method-EEMD-TFFG EEMD-based振动信号,以实现振动信号的时频分析和特征提取(2)多分支特征提取网络MBRN基于ResNet设计,可以从EEMD-TFFG提取深度特性反映故障状态(3)丹和MK-MMD介绍了优化MBRN,减少数据的概率分布差异深源域和目标域之间的特性,并提高诊断能力的EMBRNDNMD转移工作条件。实验分析结果表明,EMBRNDNMD可以达到一个高的诊断准确性为目标域状态在不同传输模式,有很强的适应能力,不同的工作条件

部分2介绍了各种方法的原理,包括EEMD ResNet,丹,MK-MMD;部分3介绍了设计思想和EMBRNDNMD的结构模型;节4,实验的两个数据集上进行CWRU MFS-RDS使用EMBRNDNMD,和相关分析进行;部分5吸引了我们工作的结论。此外,我们目前的一些缩略词表1。

2。预赛

2.1。集成经验模态分解(EEMD)

简要地变换(HHT)是一种时频分析方法与广泛的应用。首先,遗传性出血性毛细血管扩张症进行经验模态分解(EMD)的信号,获得一系列不同尺度的固有模式函数(货币);然后,瞬时频率信息的物理意义是通过希尔伯特变换各种国际货币基金组织(IMF)组件。然而,EMD仍有一些问题,比如端效应和模式混乱37),这可能会减少故障分类的准确性。为了解决EMD的模式混乱问题,Zhaohua et al。38提出了集成经验模态分解(EEMD)基于EMD方法。EEMD添加高斯白噪声的基础上原始信号,使信号平滑,有效抑制模式混乱,并提高了信号分解的精度。EEMD的分解过程如图1。

EEMD的具体分解过程包括以下步骤:(1)对于给定的原始信号 ,初始化变量= 1,并设置意味着EEMD设置为(2)为原始信号,加上一群白噪声 ,并获得信号 。 在哪里是 - - - - - -加性白噪声的th分解信号,是 - - - - - -th加性白噪声(= 1、2、3、… )。(3)进行EMD的 ,和国际货币基金组织获得各种组件和剩余组件 在哪里是 - - - - - -国际货币基金组织(IMF)组件获得的 - - - - - -th分解,的残余分量吗 - - - - - -分解。(4)获得相应的数目和平均价值在国际货币基金组织(IMF)组件分解,以抵消噪声,获得最终的国际货币基金组织(IMF)组件 在哪里(= 1、2、3、… )是最后的 - - - - - -国际货币基金组织(IMF)组件从EEMD获得。(5)通过EEMD,信号最终分解: 在哪里是最后的剩余组件EEMD后得到的信号。

2.2。剩余网络(ResNet)

卷积神经网络(CNN)是一种网络结构常用的深入学习,它在故障诊断领域取得了广泛的应用。CNN主要由输入层、输出层和隐层,而隐藏层还可以进一步分为卷积层,采样下来层,和完全连接层。在传统的CNN,表达能力会增强随着深度的增加,可以提取和更复杂的功能。然而,如果网络层太深,它也可能引起衰减梯度,梯度爆炸,和其他问题,导致预测精度下降。

解决问题的模型退化卷积网络太深造成的,2015年,开明他et al。19从微软研究院提出了残余网络(ResNet)。利用快捷键,ResNet直接传输数据从之前的层网络层,并使用后除了实现功能融合,如图2。

除了连接输入和层跨层堆积重量后获得,获得输出 。在这里, ,这是剩余的。因为剩余网络结构集成这样的跳跃,即使网络深度增加,学习网络只是添加的负载恒等函数计算,和数据利用效率不会降低。因此,更多的数据信息可以被转移到更深层次的网络,以防止模型退化引起的卷积网络太深。

2.3。Domain-Adversarial神经网络(丹)

传统的机器学习方法不仅需要大量的标签数据训练,也需要类似的源域和目标域之间的概率分布。如果源域和目标域数据分布存在显著差异,模型的泛化性能将降低在目标域。域自适应传输学习机制是一种有效的方法来解决这个问题。

近年来,随着生殖敌对的网络的应用程序(GAN)在图像处理,生成的理想对抗已广泛应用于自适应传输学习应用在各个领域。一个典型的例子是domain-adversarial Ganin Y[提出的神经网络(丹)29日2016年)。丹利用特征提取器和域鉴别器对抗训练,可以最终达到纳什均衡,使域分类器无法确定哪些领域的数据来源。这样,数据从源域和目标域有不同的分布可以映射到同一个特征空间,和源域分类器训练可以用来直接从目标域分类数据。丹的结构如图3(29日]。

具体来说,DANN由三部分组成的特征提取器,标签预测和域分类器。特征提取器是用于(1)混淆数据从源域和目标域欺骗域分类器;(2)提取特征要求后续网络的混合数据。特征提取器和标签预测形成一个前馈神经网络来实现不同领域之间的对抗训练。然后添加一个域分类器特征提取器后,由梯度逆转连接层(GRL)。外加GRL,梯度方向会自动翻转在反向传播训练模型的过程,和恒等变换可以实现在向前传播。

假设代表输入空间, 代表标签,源样本和标签吗未标记的目标样本。有两个不同的源域的分布和目标域 ,然后源域和目标域的样本函数可以表示为: 在哪里 ,代表样本的总数。

根据源域样本 ,标签的分类损失预测的负对数概率可以表示为正确的标签: 在哪里代表了特征提取的网络 ; 代表网络映射的条件概率来 。

同样,域分类器的损失函数可以表示为: 在哪里是一个二进制变量代表域类。如果 ,它的意思是 ;如果 , 。 表示域分类器。

总损失模型由两部分的源标签预测损失和域分类器的损失 :

在培训过程中,特征提取器学习参数通过最大化损失函数域标识符,域分类器调整参数通过最小化损失函数 。

2.4。Multi-Kernel最大均值差异(MK-MMD)

最大平均差异(MMD)提出了对于double-sample测试,用于确定分布区别两种类型的数据,它是一种常见的损失函数在转移学习。在多党民主运动,最关键的一步是选择内核参数,和不合适的内核参数不仅会影响最终性能的映射,也导致测距偏差。防止多党民主运动,选择不合适的内核的MK-MMD方法提出的作用(39在我们的论文。MK-MMD,假设获得最优内核通过多个内核的线性组合,可防止选择只使用一个内核时不合适的内核参数。假设源域的数据集 满足分布数据集和目标域 满足分布之间的欧氏距离和在MK-MMD被定义为: 在哪里表示数学期望;代表繁殖希尔伯特空间的映射;指的是内核再生核希尔伯特空间特性 。

功能内核经常选择的凸优化组合内核相关的特性,以提供有效的映射。功能内核定义如下: 在哪里是加权参数不同的内核,multi-kernel的特点通过约束的保证吗 。

3所示。该方法和系统框架

EEMD和MK-MMD相结合,提出了一种深残余敌对的转移EMBRNDNMD轴承故障分析方法。在我们的论文中,首先,EEMD利用振动信号自适应分解到经验模式组件规模不同的货币基金,货币基金和相应的希尔伯特包络谱(他)形式EEMD时频特性图(EEMD-TFFG)的时频特性。然后,多分支ResNet结构用于提取EEMD-TFFG深的特性,介绍了域对抗机制,以确保一致的低维表达式的深源域和目标域之间的数据特性,与此同时,MK-MMD是用来限制他们在高维空间分布差异。最后,反向传播ResNet优化根据故障状态分类损失源域数据,源域和目标域之间的判别损失,损失MK-MMD分布差异,以提高国家分类能力和领域适应能力深特性,并解决传输问题的状态诊断模型在不同工作条件。

3.1。建设EEMD时频图

EEMD振动信号后,一组线性稳定的经验模式组件获得货币,并首先自动分布从高频到低频。考虑到并不是每一个国际货币基金组织可以有效地代表原始信号的时频特征或信息,方程(11)是利用国际货币基金组织之间的相关系数来计算每个组件和原始信号 ,在国际货币基金组织(IMF)组件,以消除错觉的组件。 在哪里代表了 - - - - - -国际货币基金组织的组件,代表信号的期望值,代表信号的均方值。

相关系数越大,越密切相关的是国际货币基金组织(IMF)组件原始信号,和它所包含的丰富的时频信息。然后,希尔伯特包络谱(他)用于选择IMF计算组件。这里,选择国际货币基金组织(IMF)组件及其包络谱的顺序重新排列成一个矩阵,国际货币基金组织(IMF)是第一个,他是最后一个,以提高的相关特性和获得一组时频特性图,作为EEMD-TFFG表示,这一步的目的是促进后续提取他们的功能使用二维卷积内核深处。

EEMD-TFFG的施工过程包括以下步骤:(1)EEMD振动信号后,一群经验模式组件货币基金(2)每个国际货币基金组织之间的相关系数计算组件和原始信号,与国际货币基金组织(IMF)组件相关系数高于阈值选择进行后续分析(3)相应的国际货币基金组织(IMF)他计算组件步骤(2)中选择(4)IMF选择组件和他序列重新排列成一个矩阵,并将其保存为灰度图像

3.2。网络模型结构的设计

3.2.1之上。深特征提取网络的设计

图4展示了一群的EEMD-TFFG不同轴承状态下振动信号,每个振动信号样本包括1024个采样点。我们可以看到,EEMD-TFFG具有以下两个特点:(1)每一个灰度图像的大小是3232岁的小(2)同样的信号,特征不同国际货币基金组织的灰度图像组件之间是相对独立的

基于EEMD-TFFG的这两个特点,我们设计了一种多分支并行ResNet结构如图5,这是作为MBRN表示。在图5国际货币基金组织,我们假设3组件EEMD后的振动信号和对应的选择他。每层MBRN卷积的参数如表所示2,正常化和线性整流函数（Rectified Linear Unit）层并不代表。

根据EEMD-TFFG的特征(1),如果网络层太深,会影响小型图像提取的特征,所以单个ResNet模块(RNB)设置1卷积和3层基本剩余模块,总共有7卷积层,该设置可以限制网络深度。在RNB,各种卷积特征提取层都使用了一个33卷积核,一个小感受野是用于网络叠加,和步长设置为1。此外,因为主要的冗余信息已经透过EEMD时频数字,它不会造成信息冗余,即使没有池层。所以我们取消的池层模型来减少计算负荷。

根据EEMD-TFFG的特征(2),MBRN建立多分支并行网络结构。RNB,相同的结构和独立参数,用于提取灰度图像特性不同的国际货币基金组织(IMF)和他,最终输出层和深层特性的各种RNBs结合和用作输出特性MBRN。

3.2.2。损失计算和反向传播网络

EMBRNDNMD模型的结构设计如图6。除了深特征提取网络 ,模型还包括状态分类网络和域判别网络 。在这里,是一个两层的完全连接线性网络,是一个三层完全连接线性网络。三个损失函数是用来优化通过反向传播网络模型,和他们是轴承状态分类损失 ,判别损失源域和目标域之间,MK-MMD损失分布差异源域和目标域之间深的特点,分别。源领域的深层特性集来标示 ,源域数据的样本标签来标示 ,和目标领域的深度特性集来标示 。

轴承状态分类损失用于优化和 。 被定义为:

涉及两个反向传播阶段,这是优化的和 ,分别。反向传播的两个阶段是通过梯度反向连接层》和利用反向GRL机制形成一个敌对的关系和 。反向传播优化目标之间达到纳什均衡和 。的方程是:

代表了MK-MMD损失分布差异,用于优化 。 被定义为: 在哪里表示数学期望;代表繁殖希尔伯特空间的映射;和指的是内核用再生核希尔伯特空间。

的总损失可以表示为:

3.3。诊断模型的过程

使用EMBRNDNMD转移诊断模型的过程如下:(1)收集不同工况下的滚动轴承振动信号,数据分配到源域和目标域,源域包含标签数据,目标域是由无标号数据(2)使用EEMD方法计算振动信号样本的国际货币基金组织和他从源域和目标域,并建立相应的EEMD-TFFG(3)输入源域和目标域的EEMD-TFFG MBRN,深和提取功能和的EEMD-TFFG(4)计算状态分类损失源域的数据,和优化通过反向传播(5)计算MK-MMD分布差异的深层特征源域和目标域,并获得(6)计算域分类器的损失 ,和优化通过反向传播(7)计算总损失 ,和优化通过反向传播(8)重复步骤(3)- (7),直到小于设置值或迭代达到目标要求,并获得吗和训练后(9)经过训练的利用计算深度特性样品EEMD-TFFG从源域,输入到训练获得测试样本的标签

4所示。实验验证

4.1。CWRU轴承数据集上实验分析

以下4.4.1。引入CWRU轴承数据集

在我们的实验中,CWRU轴承故障模拟和实验平台由凯斯西储大学,和收集各种状态下的滚动轴承振动信号来验证本文提出的算法和模型的性能。图中给出的实验平台7的部分,主要包括电机、滚动轴承、轴旋转,扭矩传感器/解码器、加速度传感器和信号采集仪器。

在实验中,使用2 HP的电动马达的依赖。电火花加工是用于创建不同类型的电机轴承故障,地点包括内部种族、外环、滚动球,和损害直径是0.007英寸,0.014英寸、0.021英寸和0.028英寸。如表所示3,有12种错误和50个样本在每个类型。

摘要振动信号在电机驱动端选择12 kHz的采样频率进行分析。在这项实验中,四种不同的汽车大国的0 hp, 1惠普、2 hp,和3 hp设置为4种不同的工作条件,和12转移模式得到(- > B、C - > - > D、B - > A, B - > C, B - > D、C - > A, C - > B, C - > D, D - > A, D - > B, D - > C)。其中,A - > B意味着我们的数据集设置为源域和数据集B作为目标域。

4.1.2。EEMD分析

首先,我们获得国际货币基金组织(IMF)组件的振动信号样本EEMD;然后,我们执行国际货币基金组织(IMF)组件的希尔伯特变换和频谱分析,并计算包络谱的国际货币基金组织(IMF)组件。与断层在轴承内座圈为例,原始振动信号的波形和IMF组件EEMD后如图8。

节中描述的相关计算方法3所示。1国际货币基金组织用于选择组件。在正常情况下和故障条件等内部种族故障(IR),外环故障(或)和球故障(BF),国际货币基金组织(IMF)组件之间的相关系数轴承振动信号在不同的秩序和原始信号图所示9。根据图9随着订单的增加,国际货币基金组织组件和原始信号之间的相关系数逐渐下降。国际货币基金组织(IMF)组件和原始信号只在第一个四个订单,保持高相关性的IMF分量前四后订单EEMD和相应的后续提取深度特性的选择他。

4.1.3。首先选择的验证

验证第一个四阶首先选择的相关性计算轴承振动信号可以有效地描述轴承故障特性,第一个3 - 5 -,和6-order货币基金(分别ET3、ET5和ET6)被选为对比组,和他们的表现与第一次相比,四阶货币(ET4)本文用于输入信号的实验。最后,它是CWRU数据集上进行了测试,结果如表所示4。

从表中可以看出,诊断精度在使用ET4作为输入信号基本上是高于其他群体,因为ET3缺乏IMF4组件的故障特性,导致不完整的故障特征的表达。另一方面,ET5和国际货币基金组织的基础上ET6添加高阶ET4,导致高冗余信号干扰的最终结果。实验结果验证了结论的有效性达到EEMD分析,这表明使用第一个四阶IMF组件作为输入信号可以有效改善轴承故障诊断的准确性。

4.1.4。分析诊断结果

在本节中,我们的测试诊断转移性能EMBRNDNMD模型的四个不同的工作条件下0 hp, 1 hp惠普2 hp, 3。验证理论分析部分3和EMBRNDNMD的性能评估模型,我们设计了一些模型的比较分析,以及具体的设计包括:(1)EMBRN模型:EMBRNDNMD模型相比,该模型还使用MBRN EEMD-TFFG来提取深的特性和输入深功能状态分类网络,但它不涉及MK-MMD损失或域对抗的网络(2)EMBRNDN模型:EMBRN模型的基础上,它集成了一个域对抗网络优化MBRN(3)EMBRNMD网络:EMBRN模型的基础上,结合了MK-MMD损失优化MBRN通过反向传播

表5列出了国家每一个诊断模型,识别精度和图10地图显示了雷达比较这些模型的识别精度。根据表5和图10,我们可以得出以下结论:(1)EMBRN的诊断精度明显低于其他三个模型,这意味着数据分布差异的深层特征在不同的工作条件,和域对抗网络和MK-MMD域适应方法可以解决这个问题(2)EMBRNDNMD诊断准确性高于EMBRNDN EMBRNMD,与理论分析一致的部分3所示。2。原因是EMBRNDNMD模型不仅考虑深特性分布在高维内核空间的一致性(MK-MMD损失),但也增加了在低维空间分布相似(域分类损失)。(3)EMBRNDN和EMBRNMD糟糕表现在部分转移模式,但EMBRNDNMD可以保持高精度的所有传输模式下,它也比其他模型比较,具有更好的稳定性,证明了EMBRNDNMD模型的有效性和可靠性

图11展示了各种模型的诊断精度变化与迭代在不同传输模式。根据图11所有传输模式,2000年以后每个模型都能收敛迭代1000次迭代后,成为稳定。与其他三个模型相比,EMBRNDNMD收敛速度最快的,其准确性曲线是最稳定的。分析结果表明,在不同传输模式,EMBRNDNMD不仅可以提供高的诊断精度,还具有较高的稳定性。

图12显示了深度的t-SNE图特性的传输模式下- > B通过使用不同的模型,和高维特性映射到二维空间。根据图12,与EMBRN相比,通过集成域传输方法,模型的深层特征EMBRNMD和EMBRNDN更大的类间距离和一个较小的距离在类,各种状态下的特性和混乱的问题明显缓解。通过结合MK-MMD损失和丹,深特征的可分性EMBRNDNMD模型的进一步改进,和类间的混乱也进一步降低。t-SNE分析证明与其他三个模型相比,深使用EMBRNDNMD有更好的跨域不变性特征提取,同时也具有较强的适应工作条件转移的能力。

4.1.5。对模型的影响Hyperparameters

四种optimizers-Ada三角洲,RMS道具,SGD, Adam-are选定的测试。学习速率的范围从0.001到0.2,表中列出的结果6。可以看出,当学习率小于0.1时,精度保持在一个更高的水平。然而,当学习率均高于0.1,它将使网络难以收敛,得到满意的训练结果。亚当优化器的精度最高,当学习速率为0.001,达到了99.79%,所以我们最终选择了亚当优化器优化网络参数。

4.1.6。比较与其他诊断方法

验证EMBRNDNMD模型的有效性提出了转移的工作条件下,我们选择一些经典的诊断模型基于机器学习和深度学习在CWRU测试数据集,包括支持向量机,CNN,柠檬酸,防卫厅,最早于和他们的诊断精度12岁以下转移模式。表中列出的结果7。根据比较和分析结果,我们可以发现:(1)在不同工作条件下,EMBRNDNMD可以提供比SVM的方法诊断精度更高,CNN,柠檬酸,防卫厅。最早于(2)防卫厅EMBRNDNMD最近的诊断精度,最早于及其精度高于90%,在某些传输模式。然而,它也有一些其他传输模式下表现不佳,和其整体表现并不像EMBRNDNMD稳定(3)与传统模型相比,EMBRNDNMD更有利的解决工作条件转移的问题,这也证明了EMBRNDNMD的设计模型的有效性

4.2。测试MFS-RDS实验平台和相关分析

4.2.1。准备引入MFS-RDS实验平台

来验证该EMBRNDNMD模型的泛化能力,机械故障诊断实验平台(MFS-RDS)被用来进一步评估模型的性能。MFS-RDS平台主要由三相电动机、交流变频驱动(VFD)和转速表。声音和振动数据记录器webdaq - 504 (MCC,我们)是用于数据收集。振动加速度传感器安装在轴承的座位。实验平台,如图13。在实验中,轴承在四个州的正常条件下,伤害的0.1毫米内球,0.1毫米外球损伤,损伤的0.1毫米滚球。

在这项实验中,采样频率的振动信号的三种速度下8 kHz 900 r / min, 1200 r / min,收集1800 r / min,对应的三个工作条件E、F和g . 1024连续采样点的振动信号为例,120年每个轴承状态下振动信号样本收集,表中列出8。三个工作条件对应于6传输模式(E - > F E - > G、F - > E, F - > G, G - > E, G - > F)。

4.2.2。实验结果和分析

MFS-RDS轴承数据集,不同的方法在不同的诊断结果展示在表转移模式9和图14。根据实验结果的分析,我们可以得出以下结论:(1)在不同传输模式,EMBRN模型的平均诊断准确率达到85.39%;引入域敌对的模块后,EMBRNDN的平均精度是93.51%;引入MK-MMD损失后,EMBRNMD的平均精度为96.01%。这进一步证明了域适应机制可以有效地提高故障诊断精度在不同工作条件下的轴承(2)EMBRNDNMD保持高精度所有传输模式下,还显示了伟大的稳定。其平均精度达到98.54%,证明了分布深度特性从源域和目标域之间的一致性相结合可以有效地改善MK-MMD损失和域敌对的模块

进一步证明以上结论,我们使用混淆矩阵测试数据集样本的标签和标签的各种预测模型分析诊断精度,并使用t-SNE图进行视觉分析的深层特征提取每一个模型。图15显示了混淆矩阵和t-SNE图传输模式下的每一个模型G - > E。根据混淆矩阵,我们可以看到,EMBRNDNMD本文设计的最佳性能。通过引入MK-MMD损失和域敌对的模块,错误的类型和数量分类EMBRNDN和EMBRNMD显示显著下降。此外,通过梳理MK-MMD损失和域对抗机制,由EMBRNDNMD错误分类的数量进一步减少。同时,t-SNE图显示,与其他模型相比,提取的深层功能EMBRNDNMD呈现更好的类可分性,这证明EMBRNDNMD对各种场景具有更好的适应性。

4.2.3。比较与其他诊断方法

核实EMBRNDNMD模型的泛化能力,比较实验一样4.1.6设置和开展MFS-RDS数据集。实验结果如表所示10。

从表中可以看出,EMBRNDNMD MFS-RDS数据集上的实验结果与结果基本上是一致的4.1。EMBRNDNMD在不同工作条件下的诊断精度高于其他组,和精度都在97%以上。这表明EMBRNDNMD模型在跨平台设备诊断仍然表现良好。它还具有良好的稳定MFS-RDS数据集上运行时,它可以有效地提高故障诊断精度在不同工作条件下的轴承。

5。结论

本文提出了转会EMBRNDNMD为滚动轴承故障诊断方法。在这种方法中,EEMD方法用于提取振动信号的时频信息,和时频特性图EEMD-TFFG构造;然后,特征提取网络MBRN根据EEMD-TFFG提取的特点设计深度EEMD-TFFG故障状态的特征;最后,MBRN优化通过结合丹和MK-MMD,提高诊断能力的EMBRNDNMD下转移工作条件。根据理论推导和实验验证,我们可以得出以下结论:(1)使用EEMD方法振动信号进行时频分析,提出了EEMD-TFFG施工方法,可以提供时频特性的信息反映滚动轴承的状态为后续深度学习网络(2)MBRN设计根据EEMD-TFFG的特点。多分支网络结构和残余EEMD-TFFG叠加机制可以解决各种各样的问题,如规模小、分散的特性,和独立的不同尺度信息的时频特征(3)联合域转移机制是基于丹和MK-MMD设计,可有效提高数据的一致性深源域和目标域之间的特性,并减少深度在高维特征的分布差异源域和目标域之间的内核空间。它可以有效地提高诊断能力EMBRNDNMD转移工作条件下。实验的结果在两个轴承故障测试平台上显示EMBRNDNMD模型可以实现各工况诊断精度高转移模式

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国矿业大学青年科技基金和技术,基础科学研究业务(2021 qn1093);打开“智慧矿山”关键技术研发基金中国矿业大学技术和淄博矿业集团有限公司有限公司(No.2019LH08);和中国国家重点研发项目(NO.2017YFC0804400 NO.2017YFC0804401)。