变分模态分解结合深度迁移学习诊断机械故障

TH165%TH17; 针对机械故障振动信号在变工况条件下的特征提取与智能诊断问题,该研究提出了一种将变分模态分解(Variational Mode Decomposition,VMD)的优化算法与深度迁移学习(Deep Transfer Learning,DTL)模型相结合的故障诊断方法.首先,通过多种群差分进化(Multiple Population Differential Evolution,MPDE)算法和包络熵适应度函数来优化VMD,以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题,再将VMD分解后的本征模态函数根据平均峭度准则进行重构,重构信号经过连续小波变换...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 36; no. 14; pp. 129 - 137
Main Authors 施杰, 伍星, 柳小勤, 刘韬
Format Journal Article
LanguageChinese
Published 云南农业大学机电工程学院,昆明 650201%昆明理工大学机电工程学院,昆明 650500 15.07.2020
昆明理工大学机电工程学院,昆明 650500
Subjects
特征提取
变分模态分解
振动
故障诊断
深度迁移学习
轴承
多种群差分进化
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.2020.14.016

Cover

Abstract TH165%TH17; 针对机械故障振动信号在变工况条件下的特征提取与智能诊断问题,该研究提出了一种将变分模态分解(Variational Mode Decomposition,VMD)的优化算法与深度迁移学习(Deep Transfer Learning,DTL)模型相结合的故障诊断方法.首先,通过多种群差分进化(Multiple Population Differential Evolution,MPDE)算法和包络熵适应度函数来优化VMD,以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题,再将VMD分解后的本征模态函数根据平均峭度准则进行重构,重构信号经过连续小波变换后获取信号时频特征.然后在深度残差网络(Deep Residual Network,ResNet)的基础上,将ResNet网络与迁移学习(Transfer Learning,TL)模型进行结合,采用边缘分布自适应方法缩小机械故障信号源域数据集与目标域数据集之间的差异,构建出适合于变工况条件下的机械故障诊断深度迁移学习模型.最后,在4个不同工况条件下的滚动轴承试验数据集中,将所提出的MPDE-VMD+DTL的故障诊断方法与传统BP神经网络、ResNet卷积神经网络和迁移成分分析进行对比.结果表明,该研究的MPDE-VMD+DTL方法诊断精度达到84.36％,BP、ResNet和迁移成分分析方法的诊断精度分别为23.60％、71.63％和19.68％,均低于该研究方法.MPDE-VMD+DTL方法实现了在不同工况下的端到端机械故障智能诊断,同时具有较好的泛化能力和鲁棒性.
AbstractList TH165%TH17; 针对机械故障振动信号在变工况条件下的特征提取与智能诊断问题,该研究提出了一种将变分模态分解(Variational Mode Decomposition,VMD)的优化算法与深度迁移学习(Deep Transfer Learning,DTL)模型相结合的故障诊断方法.首先,通过多种群差分进化(Multiple Population Differential Evolution,MPDE)算法和包络熵适应度函数来优化VMD,以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题,再将VMD分解后的本征模态函数根据平均峭度准则进行重构,重构信号经过连续小波变换后获取信号时频特征.然后在深度残差网络(Deep Residual Network,ResNet)的基础上,将ResNet网络与迁移学习(Transfer Learning,TL)模型进行结合,采用边缘分布自适应方法缩小机械故障信号源域数据集与目标域数据集之间的差异,构建出适合于变工况条件下的机械故障诊断深度迁移学习模型.最后,在4个不同工况条件下的滚动轴承试验数据集中,将所提出的MPDE-VMD+DTL的故障诊断方法与传统BP神经网络、ResNet卷积神经网络和迁移成分分析进行对比.结果表明,该研究的MPDE-VMD+DTL方法诊断精度达到84.36％,BP、ResNet和迁移成分分析方法的诊断精度分别为23.60％、71.63％和19.68％,均低于该研究方法.MPDE-VMD+DTL方法实现了在不同工况下的端到端机械故障智能诊断,同时具有较好的泛化能力和鲁棒性.
Author 柳小勤
伍星
刘韬
施杰
AuthorAffiliation 昆明理工大学机电工程学院,昆明 650500;云南农业大学机电工程学院,昆明 650201%昆明理工大学机电工程学院,昆明 650500
AuthorAffiliation_xml – name: 昆明理工大学机电工程学院,昆明 650500;云南农业大学机电工程学院,昆明 650201%昆明理工大学机电工程学院,昆明 650500
Author_FL Liu Xiaoqin
Wu Xing
Liu Tao
Shi Jie
Author_FL_xml – sequence: 1
  fullname: Shi Jie
– sequence: 2
  fullname: Wu Xing
– sequence: 3
  fullname: Liu Xiaoqin
– sequence: 4
  fullname: Liu Tao
Author_xml – sequence: 1
  fullname: 施杰
– sequence: 2
  fullname: 伍星
– sequence: 3
  fullname: 柳小勤
– sequence: 4
  fullname: 刘韬
BookMark eNo9j81KAzEcxHOoYK19DPG0a_5JNs2CFyl-QcGLnkvSTUqLpGAQ9WYPSvGiIIpID35A66WoJ7E9-DJuur6FK4qnGWZght8cKtiO1QgtAA4B4kq01A5bztkQMCYBFxCHBJO8YyEGXkDF_3wWlZ1rKRwBrWDMoIiW0_ObtHfqn-79cTc32fBxOrlML3r-7TUdD7KP7nQ4SUeDz_e77PnMX498f-wfXvzVyddtfx7NGLnrdPlPS2hnbXW7uhHUttY3qyu1wAEmPGCQEJoQnHAtqRS6wamJRayw1CYhmkWJUJITYJpHhjMiqQHJIhEJZaRQlJbQ4u_ugbRG2ma93dnfs_lj3R41G4fqhxZYzkq_ARctY_8
ClassificationCodes TH165%TH17
ContentType Journal Article
Copyright Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
Copyright_xml – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
DBID 2B.
4A8
92I
93N
PSX
TCJ
DOI 10.11975/j.issn.1002-6819.2020.14.016
DatabaseName Wanfang Data Journals - Hong Kong
WANFANG Data Centre
Wanfang Data Journals
万方数据期刊 - 香港版
China Online Journals (COJ)
China Online Journals (COJ)
DatabaseTitleList
DeliveryMethod fulltext_linktorsrc
Discipline Agriculture
DocumentTitle_FL Mechanical fault diagnosis based on variational mode decomposition combined with deep transfer learning
EndPage 137
ExternalDocumentID nygcxb202014016
GrantInformation_xml – fundername: (国家自然科学基金面上项目); (云南省应用基础研究计划重点项目); (云南农业大学自然科学青年基金资助项目); (云南省教育厅科学研究基金项目)
  funderid: (国家自然科学基金面上项目); (云南省应用基础研究计划重点项目); (云南农业大学自然科学青年基金资助项目); (云南省教育厅科学研究基金项目)
GroupedDBID -04
2B.
4A8
5XA
5XE
92G
92I
93N
ABDBF
ABJNI
ACGFO
ACGFS
ACUHS
AEGXH
AIAGR
ALMA_UNASSIGNED_HOLDINGS
CCEZO
CHDYS
CW9
EOJEC
FIJ
IPNFZ
OBODZ
PSX
RIG
TCJ
TGD
TUS
U1G
U5N
ID FETCH-LOGICAL-s1026-41d23d20d6ea3a8ec63f989b0aefd2e45d8ba6214e65f642a3f1a45858bfa8b33
ISSN 1002-6819
IngestDate Thu May 29 04:08:35 EDT 2025
IsPeerReviewed false
IsScholarly true
Issue 14
Keywords 特征提取
变分模态分解
振动
故障诊断
深度迁移学习
轴承
多种群差分进化
Language Chinese
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-s1026-41d23d20d6ea3a8ec63f989b0aefd2e45d8ba6214e65f642a3f1a45858bfa8b33
PageCount 9
ParticipantIDs wanfang_journals_nygcxb202014016
PublicationCentury 2000
PublicationDate 2020-07-15
PublicationDateYYYYMMDD 2020-07-15
PublicationDate_xml – month: 07
  year: 2020
  text: 2020-07-15
  day: 15
PublicationDecade 2020
PublicationTitle 农业工程学报
PublicationTitle_FL Transactions of the Chinese Society of Agricultural Engineering
PublicationYear 2020
Publisher 云南农业大学机电工程学院,昆明 650201%昆明理工大学机电工程学院,昆明 650500
昆明理工大学机电工程学院,昆明 650500
Publisher_xml – name: 云南农业大学机电工程学院,昆明 650201%昆明理工大学机电工程学院,昆明 650500
– name: 昆明理工大学机电工程学院,昆明 650500
SSID ssib051370041
ssj0041925
ssib001101065
ssib023167668
Score 2.405231
Snippet TH165%TH17; 针对机械故障振动信号在变工况条件下的特征提取与智能诊断问题,该研究提出了一种将变分模态分解(Variational Mode Decomposition,VMD)的优化算法与深度迁移学...
SourceID wanfang
SourceType Aggregation Database
StartPage 129
Title 变分模态分解结合深度迁移学习诊断机械故障
URI https://d.wanfangdata.com.cn/periodical/nygcxb202014016
Volume 36
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
journalDatabaseRights – providerCode: PRVEBS
  databaseName: EBSCOhost Academic Search Ultimate
  issn: 1002-6819
  databaseCode: ABDBF
  dateStart: 20140101
  customDbUrl: https://search.ebscohost.com/login.aspx?authtype=ip,shib&custid=s3936755&profile=ehost&defaultdb=asn
  isFulltext: true
  dateEnd: 99991231
  titleUrlDefault: https://search.ebscohost.com/direct.asp?db=asn
  omitProxy: true
  ssIdentifier: ssj0041925
  providerName: EBSCOhost
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwtR1Na9RAdKhbkHoQP_GbHpyT7JqvmcyAl8luQhH01EJvJdkk62kL7Ra0J3tQihcFUUR68ANaL0U9ie3BP-Om67_wvcnsbmxL_QAvYZj35n1m8t4MMy-EXHfTdrtte3adxRIWKDzl9YTlXj3POIMAC19AFy8K37nLZ-a82_NsfqI2VTm1tNJLGu3VQ--V_ItXoQ_8irdk_8KzI6LQAW3wLzzBw_D8Ix_TkFERUSl0Q1DBacipElTZ2BAW5IkVEPT7VLk09GkQUOkiSFoIBeQAOjVyoKjSyEGkh_s4CvABpFoa5NFAUmVpgoCjcLjkCMVGEymgGA4NLN0DAjAaSioVQKvZsJZND0GaAhFQAODINF8Qu8qXIy_Fhu-IYRuUbFvAbQwBck0qSgjQjX4ZE9FA6w7igfVQhoAqb4yiDYZGlYhrilOanRFYBmO9SzZ6lzUvUKw0dItK_3CtlId2rCpjLOVTCWjsSM1BEIkGdZpGo9LT2AhvQPbr4I8Q2EGYpm7pnhH1_ywKs6xKoMNIyIUJVyYSlqVohjPeq8Q122xLlSmSXdbpORh9pc90-EUWjRGLBjoHQnLDsvdVPdd5VPdBp30_QRxc7PNjZNLxOXdqZFIFrSAaJ_c27l-Moo-DNRz4eLHMQCqsHjfMw_B4A9NnHYwYxwkdCnnzKBH19b1uHnc7lUxz9hQ5aZaI06qc76fJxOq9M-SE6iyZMjnZWXKr__RVf_1x8eFt8XANGoOt93u7z_vP1osvn_s7m4Nva3tbu_3tze9f3ww-PilebhcbO8W7T8WLRz9eb5wjc1E425ypm_-g1Jch_ed1z04dN3WslGexG4uszd1cCplYcZanTuaxVCQxd2wPvq8595zYze3YY4KJJI9F4rrnSa272M0ukOkUq83BGk3azMdoLf1U5tyOOc_cPMvERTJtdF8w37nlhX3-ufR7lMtkajwfr5Bab2kluwq5ey-5Zpz6E23dq9Y
linkProvider EBSCOhost
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%8F%98%E5%88%86%E6%A8%A1%E6%80%81%E5%88%86%E8%A7%A3%E7%BB%93%E5%90%88%E6%B7%B1%E5%BA%A6%E8%BF%81%E7%A7%BB%E5%AD%A6%E4%B9%A0%E8%AF%8A%E6%96%AD%E6%9C%BA%E6%A2%B0%E6%95%85%E9%9A%9C&rft.jtitle=%E5%86%9C%E4%B8%9A%E5%B7%A5%E7%A8%8B%E5%AD%A6%E6%8A%A5&rft.au=%E6%96%BD%E6%9D%B0&rft.au=%E4%BC%8D%E6%98%9F&rft.au=%E6%9F%B3%E5%B0%8F%E5%8B%A4&rft.au=%E5%88%98%E9%9F%AC&rft.date=2020-07-15&rft.pub=%E4%BA%91%E5%8D%97%E5%86%9C%E4%B8%9A%E5%A4%A7%E5%AD%A6%E6%9C%BA%E7%94%B5%E5%B7%A5%E7%A8%8B%E5%AD%A6%E9%99%A2%2C%E6%98%86%E6%98%8E+650201%25%E6%98%86%E6%98%8E%E7%90%86%E5%B7%A5%E5%A4%A7%E5%AD%A6%E6%9C%BA%E7%94%B5%E5%B7%A5%E7%A8%8B%E5%AD%A6%E9%99%A2%2C%E6%98%86%E6%98%8E+650500&rft.issn=1002-6819&rft.volume=36&rft.issue=14&rft.spage=129&rft.epage=137&rft_id=info:doi/10.11975%2Fj.issn.1002-6819.2020.14.016&rft.externalDocID=nygcxb202014016
thumbnail_s http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Fnygcxb%2Fnygcxb.jpg