未知工况下基于时频特征耦合与条件对比学习的轴承跨域故障诊断

摘要

针对未知工况下轴承故障诊断模型泛化性能不足的问题，提出一种基于时频特征耦合与改进条件对比学习的轴承跨域故障诊断方法。首先设计一种由二次卷积神经网络以及时频特征耦合机制组成的独特网络结构，用以从多源域数据中挖掘更丰富的非线性表示，并实现信号故障信息不同角度的互补融合；然后通过相关性对齐和差异最大化策略分别提取域不变特征和域特定特征，并将二者结合用于最终的故障分类，避免因过度领域度量而遗漏与故障判别相关的重要信息；提出一种基于余弦退火动态温度调整的改进条件对比学习，利用互信息实现类条件分布对齐，并自适应调整温度参数，避免固定温度设置下导致的类别区分控制不稳定的问题。在某轴承数据集的不同负载工况下进行实验，结果表明，所提方法具有良好的未知目标域诊断精度。

关键词

故障诊断 / 滚动轴承 / 域泛化 / 对比学习 / 特征耦合