面向滚动轴承故障诊断的改进对抗迁移学习算法研究

杨 健，李立新，廖晨茜，蔡晋辉，曾九孙

(1.中国计量大学，浙江 杭州 310018;2.中电海康集团有限公司，浙江 杭州 310000)

0 引 言

传动装置在工业生产中是常用的机械设备，它的平稳运行离不开轴承的正常工作。轴承一旦发生异常，有可能引发设备的故障，严重时还可能造成生命和财产的重大损失。为保障传动装置的安全平稳运行，研究人员对轴承的故障诊断问题进行了大量研究。这些研究通常以轴承工作时采集到的振动信号为基础，并通过机器学习等方法进行特征提取和故障诊断研究。

考虑到机械设备采集的时间信号易受外部干扰，因此需要寻找合适的方法从振动信号中提取有用的信息，常见的方法如小波变换，傅里叶变换等。在提取了有效的特征之后，再利用支持向量机[1]、神经网络[2]等机器学习方法对故障数据进行分类，从而实现故障的诊断。此外，各种深度学习技术在故障诊断领域中得到了应用并取得了良好的效果，如深度置信网络[3]、卷积神经网络[4]等。这些方法在训练数据和测试数据具有相同分布时取得了较好的应用效果。但在很多实际应用中，训练数据集和测试数据集是在不同的工作条件中采集到的，此时现有方法难以获得较好的识别效果。为解决该问题，研究人员提出了基于迁移学习（transfer learning）的方法，这类方法通过学习相关领域的特征来提高本领域中学习的表现，放宽了训练数据和测试数据同分布的要求，解决了测试数据不足产生的过拟合问题[5]。……