结合稀疏结构的域自适应轴承故障诊断.pdfVIP

总第424期计算机与数字工程Vol.53No.2

ComputerDigitalEngineering

2025年第2期计算机与数字工程587

2025年第2期

结合稀疏结构的域自适应轴承故障诊断∗

薛祥凯孙双叶蕾

（东北石油大学电气信息工程学院大庆163318）

摘要针对传统深度学习采用计算密集型的方法，造成过多的冗余参数，并且在变负载条件下识别能力低的问题，提

出了一种稀疏结构的域自适应轴承故障诊断方法。首先使用大尺寸卷积核进行信号的特征提取；然后通过稀疏结构对网络

结构进行优化，提高网络的稀疏性，减少网络加深带来过多的冗余参数；并加入自适应批标准化，克服源域与目标域的样本

分布差异，增强模型的变负载诊断能力。最后在凯斯西储大学轴承数据集和实际采集的数据上进行试验，实验结果表明，在

变负载和实际故障条件下平均准确率都能到达99%以上，均高于比较方法，说明了该方法的有效性与优越性。

关键词计算密集型；稀疏结构；自适应批标准化

中图分类号TP277DOI：10.3969/j.issn.1672-9722.2025.02.049

DomainAdaptiveBearingFaultDiagnosisCombining

SparseStructure

XUEXiangkaiSUNShuangYELei

（SchoolofElectricalInformationEngineering，NortheastPetroleumUniversity，Daqing163318）

AbstractAdomainadaptivebearingfaultdiagnosismethodwithsparsestructureisproposedfortheproblemthattraditional

deeplearningusescomputationallyintensivemethods，resultingintoomanyredundantparametersandlowrecognitionabilityunder

variableloadconditions.Firstly，alargesizeconvolutionalkernelisusedforfeatureextractionofthesignal，thenthenetworkstruc⁃

tureisoptimizedbysparsestructuretoimprovethesparsityofthenetworkandreducetheexcessiveredundantparameterscausedby

thedeepeningofthenetwork，andadaptivebatchnormalizationisaddedtoovercomethedifferenceofsampledistributionbetween

thesourceandtargetdomainstoenhancethevariableloaddiagnosiscapabilityofthemodel.Finally，experimentsareconductedon

thebearingdatasetofCaseWesternReserveUniversityandtheactualcollecteddata，andtheexperimentalresultsshowthattheav⁃

erageaccuracycanreachover99%underbothvariableloadandactualfaultconditions，whicharehigherthanthecomparisonmeth⁃

ods，indicatingtheeffectivenessandsuperiorityofthemethod.