深度子领域自适应网络电机滚动轴承跨工况故障诊断.pdf

2024年1月电工技术学报Vol.39No.1

第39卷第1期TRANSACTIONSOFCHINAELECTROTECHNICALSOCIETYJan.2024

DOI:10.19595/ki.1000-6753.tces.221854

深度子领域自适应网络电机滚动轴承

跨工况故障诊断

宋向金孙文举刘国海赵文祥王照伟

（江苏大学电气信息工程学院镇江212013）

摘要针对实际生产中旋转机械工况变化引起状态监测数据分布差异及获取待诊断样本标

签困难问题，提出多尺度子领域自适应模型（MSDAM）的跨工况下滚动轴承故障诊断方法。首

先，以原始振动信号作为输入，无需信号预处理及人工特征参数提取；其次，搭建多尺度卷积

神经网络将已知标签样本和待诊断样本特征迁移到同一子空间，捕获具有细粒度信息的多尺度

公共特征；然后，以不同的故障类型来划分相关子域，并通过局部最大均值距离（LMMD）来完

成子域的适配，有效削弱不同工况同类故障特征的分布差异；最后，在三个数据集的多个迁移任

务上进行试验验证。结果证明，所提MSDAM的跨工况故障诊断性能优于关注全局领域适配的迁

移学习方法。

关键词：轴承故障诊断子领域自适应迁移学习软标签学习

中图分类号：TM307

0引言近些年，基于特征迁移学习的跨工况轴承故障

诊断方法取得了长足的发展，其基本思想是在特征

滚动轴承是支撑电机转子旋转的关键部件，其

提取层和分类层之间引入自适配层，减小训练集（又

内外圈存在相对运行工况，并且同时承受径向和轴

称源域）和测试集（又称目标域）的数据分布差异，

向的联合负荷作用，这种长期复杂的工作环境导致

将相关源域的知识迁移到目标域，以提高模型的泛

其极易损坏。据相关统计，40%左右的电机故障是

[1]化能力[5-6]。文献[7]采用微调迁移参数的方法，保存

由轴承失效引起的，因此对轴承运行状态进行故

在源域上训练的卷积层参数，再使用目标域数据微

障诊断是非常必要的。

调模型顶层参数以提取域不变特征，进而使模型适

基于传统深度神经网络的轴承故障诊断方

法[2-4]若要获得良好分类效果往往需要大规模且高应目标域。文献[8]在迁移模型参数的基础上，引入

对抗性思想对齐源域数据和目标域数据之间的边缘

质量的标注样本，并且假设训练集和测试集数据服

分布，从而提取域不变特征。文献[9-10]使用一种非

从相同的概率分布。然而，实际工业应用中标记样

参数深度度量方法最大均值距离（MaximumMean

本严重稀缺，且标注大规模样本将产生昂贵的标注

成本。此外，由于供电系统电压波动、周围环境温Discrepancy,MMD），实现源域和目标域的自适应。

度变化、负载变化等因素，训练数据所在工况往往文献[11]通过使用有限元法获得仿真信号，然后使

用基于对抗的领域自适应方法减小仿真信号和真实

和测试数据所在工况存在波动，进而造成