A new deep transfer learning network based on convolutional auto-encoder for mechanical fault diagno

摘要

深度学习在旋转机械故障智能诊断方面取得了很大的成就。但在实际工程中，标记数据较少，且不同条件下数据的边际分布不一致。迁移学习为克服这些困难提供了可行的途径。考虑噪声对迁移故障诊断的影响，提出了一种新的基于卷积自编码的深度迁移学习网络(CAE-DTLN)，实现无标记数据的目标域机械故障诊断。在该框架中，采用CAE作为特征提取器，因为它具有去除噪声的能力。同时，将相关对齐损失和域分类损失结合起来，增强了域混淆的效果。将该模型应用于不同工作负荷和噪声水平下的行星齿轮箱故障转移诊断，并与其他典型故障转移诊断模型进行了比较。实验结果表明，CAE-DTLN具有较高的诊断准确率和较强的泛化能力。CAE-DTLN的平均诊断准确率在99%以上。此外，所提出的迁移学习模型具有较好的抗噪声性能。

最大平均差异(Maximum mean difference, MMD)[19-22]和
相关比对(CORrelation ALignment, CORAL)损失

本文的主要贡献如下:1)与其他基于CNN的转移诊断模型不同，本文首先将CAE设计为特征提取器，既能提取故障特征，又能去除噪声。2)结合距离度量和对抗性机制，将珊瑚损失和域分类损失结合形成新的域适应损失，有效增强域混淆效果。3)构建了一种新的故障转移诊断模型CAE-DTLN，实验结果表明，该模型与其他常见的转移诊断模型相比，具有更高的转移诊断性能，包括诊断准确率、泛化能力和抗噪声能力。

CAE作为特征提取器，CAE可以自动提取决定故障转移诊断能力的跨域不变特征。然后根据提取的特征，使用相当于Softmax分类器的故障分类器对故障类型进行识别。为了增强域混淆，设计了一种新的域自适应模块，该模块集成了CORAL损失和域分类损失，并将CORAL损失按照著名的参考文献[19]放在Block 7中

CAE去噪

不同噪声下准确率比较

各模型得到的T-SNE映射

三级目录