特征迁移的小样本往复式压缩机故障诊断方法

摘要

在往复式压缩机的故障诊断中，由于传感器失效、安装位置变化等因素，难以获得有效、稳定和充足的样本数据，进而影响故障诊断模型的性能。针对上述问题，提出了一种基于特征迁移的小样本往复式压缩机故障诊断方法。首先，采用迁移成分分析（TCA）将样本数据投影到再生核希尔伯特空间（RKHS），实现源域和目标域之间的特征迁移。其次，利用最大均值差异（MMD）度量跨域间的分布差异，并结合深度置信网络（DBN）的自适应特征提取能力，在训练阶段通过聚合已标记源域数据和未标记的目标域数据来提升故障诊断效果。最后，搭建了小功率单作用往复压缩机实验平台，进行故障诊断实验，验证了该方法的有效性。实验结果表明：通过TCA获得的公共迁移分量能够有效减小投影在高维RKHS中源域和目标域数据的分布差异，进而提升诊断精度；与传统的小样本机器学习算法和DBN模型相比，该方法在处理不同方位传感器采集的数据时具有更强的泛化能力，故障识别准确率达92%。该研究证明了TCA和DBN相结合的故障诊断模型在解决小样本故障数据问题上的优越性，为小样本情况下复杂机械设备故障的准确诊断提供了理论支持。

关键词

深度置信网络 / 故障诊断 / 往复式压缩机 / 小样本 / 迁移成分分析

基金资助

成都市国际合作项目（2020-GH02-00041-HZ）; 博士后创新人才支持计划（BX20190292）