面向变工况滚动轴承故障诊断的深度学习与迁移学习研究

滚动轴承在运行过程中工况复杂、信号频率多样、故障数据分布不一致。目前，对稳态运行系统诊断效果较好的滚动轴承特征提取与故障诊断方法并不能直接适用。本报告以构建基于深度学习与迁移学习的变工况滚动轴承故障诊断模型为最终研究目标，围绕变工况条件下滚动轴承的特征提取与故障诊断开展研究。针对振动信号时序特征信息的统一表征与提取，对载荷、转速等工况变化进行解耦，构建对工况变化鲁棒、对故障敏感的深度网络模型等研究问题，做了以下研究：

（1）利用深度学习技术在特征学习上的优势，研究振动信号的特征提取问题。深层神经网络在特征学习上具有比较强的能力，可以有效避免大量人工提取特征的工作，并且使训练得到的分类系统更加智能化。实验结果表明，利用深度神经网络自动提取的故障特征具有很强的判别性；

（2）基于深度神经网络模型结合迁移学习的方法对工况变化进行解耦，消除工况影响，获取仅反映滚动轴承故障或性能退化的信息，实现变工况故障诊断。迁移学习是运用已有知识对不同但相关领域的问题进行求解的一种新机器学习方法。它放宽了传统机器学习中的两个基本假设，即，用于学习的训练样本与新的测试样本满足独立同分布的条件，必须有足够可利用的训练样本才能学习得到一个好的分类模型。这与滚动轴承变工况运行时的故障诊断问题完全一致。

结果表明，迁移学习方法的引入有效地提高了变工况条件下滚动轴承故障诊断的准确率。

项目来源：

2017年11月，第62批中国博士后科学基金面上资助(2017M621862).

2017年07月，江苏省博士后科研资助计划(1701193B).

2016年07月，主持江苏省基础研究计划(自然科学基金)青年基金项目《面向变工况滚动轴承故障诊断的深度学习与迁移学习研究》(BK20160276)