基于角域重采样的宽度迁移学习算法

针对在变工况中采集到的信号通常为非平稳信号,并且采集到的振动数据分布不一致等情况,提出了基于角域重采样的宽度迁移学习(ADR-BTL)算法,用于轴承故障诊断.首先将非平稳的时域振动信号转换为角域平稳信号,将平稳化处理后的信号进行特征提取,构建多域特征数据集,然后将不同工况下的源域数据和目标域数据通过平衡分布自适应(BDA)方法进行领域适配来减小域间的分布差异,最后构建宽度迁移学习模型.实验首先验证了角域重采样方法可以将振动信号进行平稳化处理,然后通过仿真样本分析得出BDA方法能够解决数据分布不一致问题,最后通过实验结果得出,提出的ADR-BTL识别率达到了 98.9％,识别效果是最好的,证明了所提的方法在轴承故障诊断方面是有效的.