文档名：基于GCN的多源变工况滚动轴承故障诊断
摘要：滚动轴承是旋转机械的关键部件,其健康状况的识别非常重要.迁移学习作为一种有效工具被广泛应用于故障诊断领域,但单源迁移学习方法可能存在泛化性能较差甚至引起负迁移,造成识别效果不佳的问题.提出一种基于多感受野图卷积网络(GCN)的多源迁移学习方法(MS-GCN),通过在多个源域数据上学习迁移知识,实现变工况下滚动轴承的故障诊断.该方法首先利用小波变换将振动数据样本转换为二维时频图样本,将获得的N组源域样本和目标域样本进行构建得到N组源域-目标域样本数据对;其次,先利用深度卷积网络学习每组数据对的高维特征,再由多感受野图卷积网络学习所提特征的数据结构,使得自适应方法能充分学习域不变特征,更有效地将源域与目标域特征进行对齐,训练得到N组分类器;最后,取N组分类器分类结果的平均值为目标域样本的状态识别结果.基于江南大学轴承数据集对所提方法展开实验验证,在3组不同的变工况轴承故障诊断任务中,所提方法对4种不同状态(正常、内圈故障、外圈故障及滚动体故障)的分类准确率均在99％以上,与其他方法相比诊断准确率提升了0.22～8.27个百分点.对比结果表明:所提方法对变工况下滚动轴承的故障进行识别,可以有效地诊断出轴承的故障类型,具有一定的工程实用价值.
Abstract：Rollingbearingisakeycomponentofrotatingmachinery,anditshealthstatusidentificationisveryimportant.Transferlearningiswidelyusedasaneffectivetoolinthefieldoffaultdiagnosis,butthesingle-sourcemigrationlearningmethodmayleadtopoorgeneralizationperformanceorevencausenegativemigration,resultinginpoorrecognitionresults.Inthispaper,amulti-sourcetransferlearningmethod(MS-GCN)basedonmultireceptivefieldgraphconvolutionalnetwork(GCN)wasproposed.Bylearningtransferknowledgeonmultiplesourcedomaindata,thefaultdiagnosisofrollingbearingsundervariableworkingconditionswasrealized.Firstly,thevibrationdatasampleswereconvertedintotwo-dimensionaltime-frequencydiagramsamplesbywavelettransform.NsetsofsourcedomainsamplesandtargetdomainsampleswereconstructedtoobtainNsetsofsourcedomain-targetdomainsampledatapairs.Secondly,thedeepconvolutionnetworkwasusedtolearnthehigh-dimensionalfeaturesofeachsetofdatapairs.Then,thedatastructureoftheproposedfeatureswaslearnedbythemultireceptivefieldgraphconvolutionnetwork,sothattheadaptivemethodcanfullylearnthedomaininvariantfeatures,alignthesourcedomainandthetargetdomainfeaturesmoreeffectively,andtrainNgroupsofclassifiers.Finally,theaveragevalueoftheclassificationresultsofNgroupsofclassifierswastakenasthestaterecognitionresultofthetargetdomainsamples.BasedonthebearingdatasetofJiangnanUniversity,theproposedmethodisexperimentalvalidation,andtheclassificationaccuracyoftheproposedmethodforthefourdifferentstates(normal,innerfailure,outerfailureandrollingelementfailure)areabove99％inthreedifferentsetsofvariableoperatingconditionsbearingfaultdiagnosistasks,whichimprovesthediagnosticaccuracyby0.22～8.27percentagepointscomparedwithothermethods.Thecomparisonresultsshowthattheproposedmethodfortheidentificationoffaultsinrollingbearingsundervariableoperatingconditionscaneffectivelydiagnosethetypeofbearingfaults,whichhasacertainengineeringpracticalvalue.
作者：谢锋云 王玲岚 宋明桦 樊秋阳 孙恩广 朱海燕 Author：XIEFengyun WANGLinglan SONGMinghua FANQiuyang SUNEnguang ZHUHaiyan
作者单位：华东交通大学机电与车辆工程学院,江西南昌330013;智能交通装备全寿命技术创新中心,江西南昌330013华东交通大学机电与车辆工程学院,江西南昌330013
刊名：铁道科学与工程学报 ISTICPKU
Journal：JournalofRailwayScienceandEngineering
年，卷(期)：2024, 21(5)
分类号：TH133.33TH165+.3
关键词：故障诊断 多感受野图卷积网络 多源域迁移学习 深度卷积网络 滚动轴承
Keywords：faultdiagnosis multireceptivefieldgraphconvolutionalnetwork multi-sourcetransferlearning deepconvolutionalnetwork rollingbearing
机标分类号：TH113.1TP277TP391
在线出版日期：2024年7月8日
基金项目：国家自然科学基金，国家自然科学基金，江西省自然科学基金资助项目基于GCN的多源变工况滚动轴承故障诊断[
期刊论文] 铁道科学与工程学报--2024, 21(5)谢锋云 王玲岚 宋明桦 樊秋阳 孙恩广 朱海燕滚动轴承是旋转机械的关键部件,其健康状况的识别非常重要.迁移学习作为一种有效工具被广泛应用于故障诊断领域,但单源迁移学习方法可能存在泛化性能较差甚至引起负迁移,造成识别效果不佳的问题.提出一种基于多感受野图...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于GCN的多源变工况滚动轴承故障诊断 Multi-source rolling bearing fault diagnosis under variable
working conditions based on GCN
基于GCN的多源变工况滚动轴承故障诊断.pdf
- 文件大小:
- 14.25 MB
- 下载次数:
- 60
-
高速下载
|
|
