原创力文档- 1、本文档共9页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第37卷第2期振动工程学报Vol.37No.2
2024年2月JournalofVibrationEngineeringFeb.2024
基于改进残差网络的风电轴承故障迁移诊断方法
邓林峰，王琦，郑玉巧
（兰州理工大学机电工程学院，甘肃兰州730050）
摘要:针对风电轴承故障源域数据和目标域数据特征分布不同而导致的故障诊断精度偏低问题，提出一种利用改
进残差神经网络进行风电轴承故障迁移诊断的方法。该方法将卷积核和池化核设定为与一维振动信号卷积运算相
适应的尺寸，从振动信号直接提取轴承的故障特征；在一维残差网络中同时使用批量归一化和实例归一化，进一步
增强模型的特征提取能力；在模型训练阶段，通过源域数据和目标域数据的多核最大均值差异构建新的损失函数，
以提高模型在不同分布数据集上的迁移学习及分类能力。利用故障轴承实验数据对方法的有效性进行验证，结果
显示，即使受到轴承变转速运行工况和故障振动信号含噪声干扰成分的双重影响，该方法仍然可提取出轴承故障的
重要特征，并实现不同工况轴承故障的迁移诊断和准确分类，这对于发展复杂环境下的旋转机械智能故障诊断技术
具有参考价值。
关键词:故障诊断；风电轴承；振动信号；卷积神经网络；残差网络
中图分类号:TH165+.3；TP183文献标志码:A文章编号:1004-4523（2024）02-0356-09
DOI：10.16385/j.cnki.issn.1004-4523.2024.02.018
性［9］。在这种状况下，从部分振动信号提取的故障
引言特征值将发生偏离，导致故障训练样本和测试样本
的分布特性存在一定差异［10⁃11］，从而影响深度学习
轴承是风电机组传动系统的关键部件，承受着模型在测试集上的泛化性能，致使故障诊断结果的
风机转动部件的重量，并支承这些部件进行旋转将准确性较低，难以满足轴承故障监测的实际需求。
风能转化为电能，其健康状况对风电机组的性能、稳针对上述问题，Guo等［12］利用重采样技术和自
定性和使用寿命会产生巨大影响［1⁃］3。因此，对风电适应随机共振滤波技术，实现强噪声干扰下风力发
轴承故障进行监测与诊断，是保障风电机组安全高［13］
电机轴承故障的高效自动诊断。董绍江等联合奇
效运行的重要措施。轴承振动信号中包含着轴承故异值分解和经验模态分解对故障信号进行处理，并
障信息，通过对其进行分析处理可识别轴承的健康在CNN池化层引入注意力机制增强模型的特征提
状况。然而随着风电设备的监测数据量与日俱增，取能力，实现了强噪声环境下轴承故障的准确诊断。
传统故障诊断方法已无法适应大数据故障诊断分析Ren等［14］将变分模态分解、多尺度排列熵和特征迁
［4］
的发展需求。移学习方法相结合，对变工况下的风机齿轮箱轴承
近年来，基于大数据深度学习的模式识别方法［15］
故障具有较高的分类准确率。Zhu等提出了一种
在机械故障诊断领域快速发展［5］。其中，卷积神经
文档评论（0）