基于深度網絡的滾動軸承智能故障診斷

李金才，付文龍,2,3，王仁明，陳星，孟嘉鑫

（1.三峽大學 電氣與新能源學院，湖北 宜昌 443002；2.三峽大學 梯級水電站運行與控制湖北省重點實驗室，湖北 宜昌 443002；3.三峽大學 水電動機械設備設計與維護湖北省重點實驗室，湖北 宜昌 443002）

0 引言

滾動軸承作為煤礦機械設備中的重要部件之一[1]，其工作環境復雜，易出現損壞，從而影響煤礦生產系統的可靠性和安全性。因此，對煤礦機械設備中的滾動軸承進行智能故障診斷具有重要意義[2]。

隨著機器學習的快速發展，深度學習被引入到機械設備智能故障診斷中，并取得了一定的成果。但基于深度學習的機械設備故障診斷模型卻要求訓練集和測試集滿足獨立同分布的原則，當訓練集與測試集分布不同時，會出現模型泛化能力差的問題[3]。由于工業過程中大量數據樣本難以被標記，且滾動軸承又常常工作在變工況情況下，導致實際故障診斷中缺少或無法獲取與待測數據分布相同的大量帶標簽訓練數據[4]。

鑒此，研究者們將遷移學習（Transfer Learning，TL）引入到故障診斷中，以實現不同工況之間的知識遷移。文獻[5]使用少量的目標域標記數據對源域數據訓練好的模型進行微調，以此獲得目標域數據的故障診斷模型。文獻[6]提出了一種基于參數遷移的改進最小二乘支持向量機遷移學習方法，實現了目標域中已知標簽數據較少條件下的滾動軸承故障診斷。文獻[7]通過改進TrAdaBoost 方法對源域樣本重新加權，提升了分類準確率。

但上述方法均需目標域含少量帶標簽樣本，當目標域完全不含標簽時，模型泛化能力變弱且診斷準確率下降。……