基于一维卷积迁移学习的跨工况机床轴承故障诊断.pdf

２０２４年７月Ｊｕｌ２０２４

第５２卷第１３期Ｖｏｌ５２Ｎｏ１３

－

ＤＯＩ：１０．３９６９／ｊｉｓｓｎ１００１３８８１２０２４１３０３４

－

文献引用：姜广君，栾宇，巩勇智．基于一维卷积迁移学习的跨工况机床轴承故障诊断［Ｊ］．机床与液压，２０２４，５２（１３）：２２７２３６．

－－

Ｃｉｔｅａｓ：ＪＩＡＮＧＧｕａｎｇｊｕｎ，ＬＵＡＮＹｕ，ＧＯＮＧＹｏｎｇｚｈｉ．Ｏｎｅｄｉｍｅｎｓｉｏｎａｌｃｏｎｖｏｌｕｔｉｏｎａｌｍｉｇｒａｔｉｏｎｌｅａｒｎｉｎｇｂａｓｅｄｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓ

－－

ｆｏｒｃｒｏｓｓｃｏｎｄｉｔｉｏｎＣＮＣｍａｃｈｉｎｅｔｏｏｌｓ［Ｊ］．ＭａｃｈｉｎｅＴｏｏｌ＆Ｈｙｄｒａｕｌｉｃｓ，２０２４，５２（１３）：２２７２３６．

基于一维卷积迁移学习的跨工况机床轴承故障诊断

１，２１，２１，２

姜广君，栾宇，巩勇智

（１内蒙古工业大学机械工程学院，内蒙古呼和浩特０１００５１；

２内蒙古自治区先进制造技术重点实验室，内蒙古呼和浩特０１００５１）

摘要：滚动轴承作为机床的重要核心零件，对保证机床的正常运转至关重要。然而在实际工作中，机床的工况经常根

据不同的工作要求产生相应的变化，对机床轴承的转速以及负载产生一定的影响，从而导致轴承的机械振动信号呈现出非

平稳性、非线性和非周期性等特点。目前基于深度学习的轴承故障诊断方法对数据具有一定的依赖性，要求训练（源域）

和测试（目标域）数据集具有相同的数据特征且存在足够多的带有故障信息的标签数据。然而，由于机床常在非平稳工况

下运行，因此在某一工况上建立的训练模型无法直接用于其他工况。为了解决这一问题，基于迁移学习（ＴＬ）技术，设计

－

一维卷积神经网络（１ＤＣＮＮ）与迁移学习相结合的模型。该模型利用一维卷积网络直接从原始振动信号中提取故障特征

信息，并利用对抗策略迁移技术提取两域的公共特征。利用域分布差异度量拉近两域的特征分布，实现轴承跨工况迁移故

障诊断。最后通过构建的１２组迁移任务对比实验，验证所设计模型的优越性。结果表明：设计的基于一维卷积的迁移学习

神经网络模型可直接实现对机床轴承故障的实时监测；设计的模型通过结合对抗策略迁移与度量域分布差异两种迁移策

略，大大提高了迁移故障诊断性能，可更好地提取源域与目标域的公共特征；在实验构建的１２组迁移任务中优于其余两种

迁移策略，能完美完成迁移故障诊断任务。

关键词：故障诊断；迁移学习；滚动轴承；卷积神经网络

中图分类号：ＴＨ１３３３３

－－

ＯｎｅＤｉｍｅｎｓｉｏｎａｌＣｏｎｖｏｌｕｔｉｏｎａｌＭｉｇｒａｔｉｏｎＬｅａｒｎｉｎｇＢａｓｅｄＢｅａｒｉｎｇＦａｕｌｔＤｉａｇｎｏｓｉｓｆｏｒ