为了进一步提高滚动轴承故障检测的准确性、改善时间卷积网络模型(Temporal Convolutional Network,TCN)存在的过拟合问题,本研究提出了增加平均池化层的时间卷积网络(Temporal Convolution with Average Pooling Network,TCAPN)模型。...为了进一步提高滚动轴承故障检测的准确性、改善时间卷积网络模型(Temporal Convolutional Network,TCN)存在的过拟合问题,本研究提出了增加平均池化层的时间卷积网络(Temporal Convolution with Average Pooling Network,TCAPN)模型。该方法首先使用膨胀因果卷积代替传统卷积神经网络,其次在残差模块多个地方加入平均池化层改善模型过拟合问题,最后结合多个改进残差模块构建本研究提出的TCAPN模型。实验结果表明,在相同工况条件下,TCAPN模型能够更快地收敛,并且平均故障诊断准确率达到了98.73%,相较于TCN模型提高了2.87%,验证了该模型具有高准确性和鲁棒性。展开更多
文摘针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题,提出了一种多源域自适应残差网络(multi-source domain adaptive residual network,MDARN),通过对齐来自多个源域的相关子域,从而提高模型在多工况下的故障诊断性能。首先,利用ResNeXt残差网络从源域和目标域充分提取可迁移特征;然后,引入局部最大平均差异(local maximum mean difference,LMMD)准则,以两个源域的子域为基础对齐目标域中相关子域,减少相关子域间和全局域间的分布差异;最后,利用美国凯斯西储大学轴承数据集和MFS机械综合故障试验台产生的真实的轴承振动数据集,对所提方法进行了试验验证。结果表明,该方法在多工况下的平均故障诊断精度高达99.76%。与现有代表性方法相比,所提方法具有更好的故障诊断效果。
文摘为了进一步提高滚动轴承故障检测的准确性、改善时间卷积网络模型(Temporal Convolutional Network,TCN)存在的过拟合问题,本研究提出了增加平均池化层的时间卷积网络(Temporal Convolution with Average Pooling Network,TCAPN)模型。该方法首先使用膨胀因果卷积代替传统卷积神经网络,其次在残差模块多个地方加入平均池化层改善模型过拟合问题,最后结合多个改进残差模块构建本研究提出的TCAPN模型。实验结果表明,在相同工况条件下,TCAPN模型能够更快地收敛,并且平均故障诊断准确率达到了98.73%,相较于TCN模型提高了2.87%,验证了该模型具有高准确性和鲁棒性。