太原理工大学Linhu, Yao与Lei, Tao等：基于双流歧管ResNet和改进CapsNet的转移学习的轴承故障诊断
论论资讯 ｜ 2024-04-29 ｜
50热度
Measurement Science and Technology
Explore content
About the journal
Publish with us
Bearing fault diagnosis based on transfer learning with dual-flow manifold ResNet and improved CapsNet
Yao L.; Wang H.; Tao L.; Fang Z.; Wang H.; Liu Y.; Wang H.
Published：2024-07-01
DOI：10.1088/1361-6501/ad3d75
研究背景
在当今社会，机械设备的故障诊断一直是一个备受关注的话题。然而，由于旋转机械的不同工作条件导致训练和测试数据之间的分布不一致，传统的故障诊断方法在准确性上存在一定的挑战。这就引出了一个重要问题：如何提高滚动轴承故障诊断的准确性？
研究内容
这项研究提出了一种基于转移学习的滚动轴承故障诊断方法，采用了双流管残差网络和改进的胶囊网络（DMRCN）。首先，引入了双流管残差网络结构，包括连续宽核卷积、连续窄核卷积和流形学习空间信息描述块。这个结构用于从数据中提取低级特征。然后，提出了一个具有自注意力输出的胶囊网络的新架构。将自注意力机制融入动态路由算法中，将更丰富的高级特征从低级胶囊层传递到更高级的胶囊层。在训练过程中，提出了一种称为全局-局部分布差异损失的损失函数，以增强模型的泛化能力并加速模型收敛。最后，在Case Western Reserve University的公共数据集和实验室建立的轴承实验台数据集上验证了DMRCN在跨条件转移故障诊断中的性能。实验结果表明，相对于其他常用的深度转移学习方法，DMRCN在不同工作条件下的故障诊断方面表现更优秀。
研究意义
这项研究的创新之处在于提出了一种新颖的转移学习方法，有效解决了滚动轴承故障诊断中的数据分布不一致问题，提高了诊断的准确性和泛化能力。通过这项研究，我们可以更好地应用先进的技术来改善机械设备的故障诊断，为工程领域带来更多可能性。
学术热榜
查看全部
相关资讯
换一批