公开(公告)号：CN116952583A

公开(公告)日：2023-10-27

申请号：CN202310310421.3

申请日：2023-03-27

Applicant: 哈尔滨市滨奇科技发展有限公司 ,  哈尔滨理工大学

Inventor： 吴彦波 ,  金家兴 ,  王玉静 ,  康守强 ,  梁欣涛 ,  孙宇林

IPC: G01M13/045 ,  G06F30/17 ,  G06F30/23 ,  G06F30/27 ,  G06T17/20 ,  G06F18/214 ,  G06F18/241 ,  G06F18/25 ,  G06N3/0475 ,  G06N3/048 ,  G06N3/094 ,  G06N3/096 ,  G06F111/04 ,  G06F119/14

Abstract: 一种数字孪生驱动深度迁移学习模型的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域，为了解决针对不同工况下滚动轴承源域样本数据标签获取困难、样本量较少，且目标域样本数据标签缺失的问题而提出。该方法以深沟球轴承作为研究对象建立三维模型，通过有限元分析软件及显式动力学算法进行动力学分析，根据加速度探测位置对模型进行仿真计算，获得滚动轴承故障孪生数据；其次，引入基于Wasserstein距离的生成对抗网络，并提出使用梯度惩罚项对其进行改进，减小孪生数据与真实数据之间的分布差异，实现特征融合；最后，利用迁移学习的思想，引入全局注意力机制对残差网络进行改进，利用多核最大均值差异对源域和目标域所提取的特征进行域适应处理，实现无标签目标域样本数据的迁移学习，最终建立基于数字孪生的滚动轴承故障诊断智能模型。实验验证，所提方法可有效解决不同工况下轴承带标签样本缺失的问题，且对于滚动轴承故障诊断准确率有显著提升。