滚动轴承域适应迁移学习故障识别方法

摘要

针对实际工程中轴承数据包含噪声，且难以获取标签数据，导致难以进行故障识别的问题，提出了一种基于小波包一维卷积神经网络与复合域适应损失函数的迁移学习故障识别方法。所提出的小波包分支注意力卷积神经网络（Wavelet Packet Branch Attention Convolutional Neural Network, WPBA-CNN）综合小波包方法与注意力机制对数据特征进行提取，并针对多尺度分支结构特点提出了分支最大均值差异（Branch Maximum Mean Discrepancy, BMMD）损失函数，结合交叉熵损失函数与快速批量核范数最大化（Fast Batch Nuclear-norm Maximization, FBNM）方法，构建了一种新颖的域适应复合损失函数（Domain Adaptation Compound Loss, DACL）进行迁移学习故障识别。结果表明，在-4 dB噪声数据集实验中，WPBA-CNN-DACL的准确率较具有训练干扰的卷积神经网络（Convolution Neural Networks with Training Interference, TICNN）提升了16百分点，其BMMD组件的准确率较传统MMD提高了3.3百分点，20组迁移任务的平均准确率达98.24%。这些实验结果验证了本文方法在噪声抑制与跨域适应中的协同优势，该方法可以作为无标签轴承故障诊断的有效解决方案。

关键词

卷积神经网络 / 迁移学习 / 域适应 / 复合损失函数