| 题名 | 基于深度域适应的轴承变工况故障诊断方法研究 |
| 作者 | 赵威 |
| 答辩日期 | 2021-05-21 |
| 授予单位 | 中国科学院沈阳自动化研究所 |
| 授予地点 | 沈阳 |
| 导师 | 王锴 |
| 关键词 | 滚动轴承 故障诊断 变工况 域适应 分布差异 |
| 学位名称 | 专业学位硕士 |
| 其他题名 | Research on Fault Diagnosis of Bearings under Variable Working Conditions Based on Deep Domain Adaptation |
| 学位专业 | 控制工程 |
| 英文摘要 | 轴承是旋转机械的核心组件，广泛应用于燃气轮机、发电机组、工业机器人等设备中。轴承工作环境恶劣，是旋转机械中最容易发生故障的部件之一，因此研究轴承故障诊断问题具有重要的理论和现实意义。近年来，随着工业物联网和工业大数据技术的快速发展，基于数据驱动（特别是深度学习）的轴承故障诊断方法逐渐成为研究热点。然而，在实际工程实践中，轴承往往工作在负载与转速持续变化的条件下，传统的基于数据驱动的轴承故障诊断方法由于缺乏“举一反三”的泛化能力，无法满足变工况条件下故障诊断要求。为此，本论文研究基于深度域适应的轴承变工况故障诊断方法，旨在提高现有基于数据驱动的轴承故障诊断方法的鲁棒性及泛化能力。目前，深度域适应技术是提升基于数据驱动的故障诊断模型泛化能力的重要手段。然而，当前深度域适应技术在域不变特征提取、域差异量化表示以及域适应策略等方面尚存在不足，因此，本文提出了一种新的深度域适应网络---一维多尺度域适应网络（one-dimensional multi-scale domain adaptation network, 1D-MSDAN）来解决问题。本文的工作及创新如下：（1）针对现有深度域适应方法所面临的挑战，提出了新的深度域适应模型1D-MSDAN，用于在不同工况下对轴承进行故障诊断，1D-MSDAN同时使用特征自适应和分类器自适应来指导多尺度卷积神经网络进行轴承故障诊断。（2）针对现有深度域适应网络仅从单一特征提取器中学习域不变特征，无法全面捕获源工况和目标工况的域不变特征的问题，1D-MSDAN采用多尺度、多级特征自适应技术来学习域不变特征，借此全面获取源工况与目标工况下数据分布的域不变特征信息；针对域差异量化手段不准确的问题，使用多核最大均值差异（MK-MMD）来量化不同工况之间的分布差异。MK-MMD假设最优的核可以由多个核线性组合得到，从而进一步精确计算域差异，与单内核方法相比，大大提高了域适应效果。（3）针对特征自适应学习到的域不变特征只能减少而不是消除域差异，为此，1D-MSDAN采用基于特征自适应与分类器自适应融合的域适应策略。通过目标工况中的熵最小化来执行分类器自适应，以桥接源分类器和目标分类器，以进一步消除域差异。（4）将提出的深度域适应模型---1D-MSDAN应用到工业场景。搭建了工业机器人的轴承故障数据采集平台；将提出的深度域适应模型和深度学习模型进行比较，验证了1D-MSDAN在工业机器人平台上轴承变工况故障诊断的有效性、泛化性。 |
| 语种 | 中文 |
| 产权排序 | 1 |
| 页码 | 71页 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.sia.cn/handle/173321/28967]  |
| 专题 | 沈阳自动化研究所_工业控制网络与系统研究室 |
| 作者单位 | 中国科学院沈阳自动化研究所 |
| 推荐引用方式 GB/T 7714 | 赵威. 基于深度域适应的轴承变工况故障诊断方法研究[D]. 沈阳. 中国科学院沈阳自动化研究所. 2021. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论