S变换子域适应的扶梯电机轴承迁移诊断

• Published in: 华南理工大学学报（自然科学版） Vol. 51; no. 12; pp. 34 - 41
• Main Authors: 陈忠, 唐鑫, 张大明, 何东山, 张宪民
• Format: Journal Article
• Language: Chinese
• Published: 华南理工大学 机械与汽车工程学院,广东 广州 510640%日立电梯(广州)自动扶梯有限公司,广东 广州 510660%广州地铁设计研究院股份有限公司,广东 广州 510010 01.12.2023
• Subjects: transfer learning; fault diagnosis; 故障诊断; 时频分析; time-frequency analysis; bearing; 迁移学习; 轴承
• ISSN: 1000-565X
• DOI: 10.12141/j.issn.1000-565X.220758

TH17; 在缺乏足够的扶梯电机轴承故障数据的情况下,针对扶梯在频繁变载变速的运行状态中轴承故障特征不稳定的问题,提出了Stockwell(S)变换结合子域适应的扶梯电机轴承迁移诊断方法.首先,针对扶梯电机轴承的故障特点,采用S变换结合双线性插值算法生成振动信号时频图.该时频图能有效反映轴承故障特征,并与后续的生成/与特征提取网络输入要求相适应.其次,在基于深度残差神经网络ResNet-50的特征提取网络层的输出端引入局部最大均值差异(LMMD),将故障样本的类别置信度作为映射后的权重引入最大均值差异(MMD),在对齐源域和目标域全局分布的同时,对齐同类别样本所属的子域的分布,同时拓展可迁移学习的范围.然后,构建网络的最小化LMMD和交叉熵损失函数,采用小批量梯度下降法训练网络.从而可通过细化不同故障类别间特征差异实现故障子域自适应,并克服迁移诊断精度低的问题.最后,基于两个公开的轴承故障数据集和少量扶梯电机轴承故障数据构建S变换后的时频数据集,并进行迁移诊断实验验证.结果表明,本方法对扶梯轴承的两种源域到目标域的迁移诊断平均准确率分别达到99.1%和95.49%,识别精度和鲁棒性明显优于5种常用的诊断方法.