基于元学习的小样本轴承变工况故障诊断方法

【作者】 苏浩； 刘冰； 朱泽宁； 向玲；

【机构】 华北电力大学(保定)机械工程系；

【摘要】 智能故障诊断在机械设备轴承故障诊断领域的应用越来越广泛,尤其是深度学习的发展为其提供了强有力的保障。然而,机械设备的运行多处于长期稳定的状态,导致轴承故障样本数量十分稀少,深度学习应用效果受到限制。针对这一问题,本文提出了基于元学习的小样本滚动轴承故障智能识别方法。首先由深度卷积神经网络(Deep Convolutional Neural Network,简称DCNN)对小样本原始信号内的故障特征进行深层次自适应提取,然后利用改进的模型无关元学习(Improved Model-Agnostic Meta-Learning,简称IMAML)方法对模型参数进行训练优化。最后,采用Softmax对特征进行分类实现滚动轴承变工况下的故障识别。将所提诊断方法应用于小样本的不同工况轴承故障数据的分类识别,实验结果表明该方法能够智能有效地识别小样本变工况的轴承故障,诊断结果优于已有的智能故障诊断方法。更多还原