基于动态模型和迁移学习的滚动轴承滚道故障智能诊断框架:解决小样本问题

摘要

近年来，随着人工智能技术的发展，滚动轴承的智能故障诊断越来越受到关注。许多智能诊断方法都需要被诊断对象的大量历史数据。然而，在真实的诊断场景中，很难提前获得足够的故障数据，在如此小的数据集上构建的诊断模型存在严重的过拟合问题，丧失了泛化能力，本文将其称为小样本问题。针对小样本问题，提出了一种基于动态模型和迁移学习的滚动轴承滚道故障智能诊断框架。该框架利用轴承的动态模型生成大量多样的仿真数据，然后基于卷积神经网络(CNN)和参数传递策略，将仿真数据中学到的诊断知识应用到真实场景中。通过三个故障诊断实例，验证了该方法的有效性。结果表明，基于仿真数据和CNN参数传递策略，该方法可以学习更多可传递的特征，减小特征分布差异，有助于显著提高故障识别性能。

小样本学习策略

针对小样本问题的解决动机主要可以分为三类:(1)通过数据增强方法[16,17]或生成模型，如AE[18]和Generative Adversarial Networks (GAN)[19-22]，在现有数据的基础上生成新的数据。(2)利用基于迁移学习[22-24]或元学习[25-27]从其他数据集学习到的诊断知识。(3)利用特定的网络结构或技巧，减少诊断模型中需要训练的参数，缓解过拟合[17,28]。受第二个动机的启发，本文提出了一种基于迁移学习的可行方法，利用轴承动态模型产生的大量仿真数据，帮助处理小样本条件下的真实诊断任务。一般情况下，滚动元件轴承跑轨上的单点故障产生周期性冲击，导致轴承