变工况下轴承故障的残差对抗网络诊断方法

实际工程中传统的以恒定转速和平稳信号为前提的故障诊断方法难以有效提取故障特征,为此,将深度学习中的残差网络(ResNet)与迁移学习中的领域对抗网络(DANN)相结合,提出一种深度迁移方法——残差对抗网络(RANN).RANN采用滑窗取样策略从原始振动信号中截取故障样本,构建了包含特征提取器、故障分类器和领域判别器的残差对抗网络,采用3个工况下的滚动轴承数据,共开展6组迁移诊断试验.研究结果表明:RANN相比于标准DANN,特征提取及故障诊断效果均有所改善,平均准确率提升了约2.5百分点;该残差对抗网络通过特征提取器与领域判别器的对抗训练,可以自适应逐层提取对工况信息敏感度低的域不变特征;相比于单通道输入,采用双通道输入平均故障诊断准确率提升了约1.3百分点.所得结论可以为变工况机械设备的故障诊断提供参考.