【技术实现步骤摘要】
本专利技术属于机械故障诊断，具体涉及一种深度降噪迁移学习的滚动轴承变工况故障诊断方法。
技术介绍
1、随着现代工业向智能化的发展，基于大数据的工业设备健康管理模式成为了热点问题。为了达到实时监测机械健康状况和性能的目的，加快建立稳定可靠的预测与健康管理系统变得越来越重要。在工业系统中，滚动轴承这类工作元件处于相对耦合的工作状态，任何故障的出现都会影响整个机械系统的正常工作。为保证正常运行时间，系统维护方式应该向实时监测和预测预防的方式转变。而传统的基于人工信号时频处理方法的轴承故障诊断方法已难以满足大数据采集条件下端到端的实时处理要求。
2、为实现上述目的，智能故障诊断方法成为了近年来的重要研究方向。与传统人工提取故障特征方式不同的是，智能故障诊断方法不需要太多的关于信号处理的先验知识，而是直接从采集到的振动数据中提取有用信息，以数据驱动的方式实现故障早期诊断。在智能故障诊断的发展进程中，算法和数据永远是两个最重要的核心。随着系统复杂度和所获取的数据体量的增加，数据的人工标注成本也随之增加，面对大量的未标注数据时，单纯依靠传...
【技术保护点】
1.一种深度降噪迁移学习的滚动轴承变工况故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的深度降噪迁移学习的滚动轴承变工况故障诊断方法，其特征在于，所述网络模型包括特征提取层、域自适应层、域对抗层和故障分类层。
3.根据权利要求2所述的深度降噪迁移学习的滚动轴承变工况故障诊断方法，其特征在于，所述特征提取层包括4个特征提取块，每个特征提取块由两个卷积层、两个全连接层和Sigmoid层组成；特征提取块的每个通道都具有独立的阈值，特征图通过绝对值和全局平均池化降为一个一维向量，再将一维向量传入含有两层全连接网络中；使第二层神经元个数...
【技术特征摘要】
1.一种深度降噪迁移学习的滚动轴承变工况故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的深度降噪迁移学习的滚动轴承变工况故障诊断方法，其特征在于，所述网络模型包括特征提取层、域自适应层、域对抗层和故障分类层。
3.根据权利要求2所述的深度降噪迁移学习的滚动轴承变工况故障诊断方法，其特征在于，所述特征提取层包括4个特征提取块，每个特征提取块由两个卷积层、两个全连接层和sigmoid层组成；特征提取块的每个通道都具有独立的阈值，特征图通过绝对值和全局平均池化降为一个一维向量，再将一维向量传入含有两层全连接网络中；使第二层神经元个数和输入特征图的通道个数一致，使每个通道都具有独立的阈值；所述域自适应层用于减少边际分布，同时缩小联合分布差异，利用源域和目标域深度可转移特征达到域自适应；所述域对抗层用于在域适应的过程中减少域漂移，使源域和目标域的数据分布减少类间距离的同时又增大类类间的距离，实...
【专利技术属性】
技术研发人员：杨新宇，邵思羽，池福临，程培源，蔡树林，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。