基于辅助分类器的滚动轴承跨域故障诊断
CSTR:
作者:
作者单位:

1.兰州理工大学机电工程学院 兰州,730050;2.广州理工学院智能制造与电气工程学院 广州,510540

作者简介:

何天经,男,1979年7月生,硕士、讲师。主要研究方向为旋转机械故障诊断。曾发表《Fault identification of rolling bearing using variational mode decomposition multiscale permutation entropy and adaptive GG clustering》(《Shock and Vibration》2021,Vol.2021)等论文。 E-mail:hetj@lut.edu.cn

通讯作者:

赵荣珍,女,1960年12月生,博士、教授、博士生导师。主要研究方向为旋转机械故障诊断、转子系统与机械系统动力学。 E-mail:zhaorongzhen@lut.edu.cn

中图分类号:

TH165.3;TP183

基金项目:

国家自然科学基金资助项目(62241308,51675253)


Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对变工况条件下滚动轴承故障诊断模型泛化性能不佳的问题,基于深度域自适应与半监督学习技术,提出一种带有辅助分类器的半监督卷积神经网络(semi-supervised convolutional neural network based on auxiliary classifier, 简称SSCNN-AC)滚动轴承跨域故障诊断模型。首先,为提升训练过程中目标域样本伪标签的置信度,所提模型引入最近邻中心分类器作为辅助分类器,以类中心与样本嵌入特征间的余弦距离为目标域样本生成伪标签,有效提升伪标签的可靠性;其次,采用带有标签平滑项的交叉熵损失函数计算分类损失,抑制伪标签噪声对半监督学习的不利影响,提升模型泛化性能;最后,以2个不同数据集的实验结果分析对所提模型进行验证。结果表明:所提模型可有效对齐不同工况下振动信号的嵌入特征,在滚动轴承的跨域故障诊断方面具有明显优势。

    Abstract:

    参考文献
    相似文献
    引证文献
引用本文
分享
相关视频

文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2023-03-15
  • 最后修改日期:2023-07-03
  • 录用日期:
  • 在线发布日期: 2025-12-30
  • 出版日期: 2025-12-30
文章二维码
您是第位访问者
振动、测试与诊断 ® 2025 版权所有
技术支持:北京勤云科技发展有限公司