关键词：旋转机械;故障诊断;快速傅里叶变换(FFT);域适应;迁移学习
摘 要：故障诊断在旋转机械领域具有重要的意义，而深度学习和迁移学习的发展为提高故障诊断的准确性和鲁棒性提供了新的途径。针对旋转机械故障诊断问题，提出了一种基于深度对抗神经网络(domain-adversarial neural network, DANN)和多核最大平均差异(multiple kernel maximum mean discrepancy, MK-MMD)的无监督域适应迁移学习方法。首先，收集了源工况和目标工况下的振动信号数据并通过快速傅里叶变换(fast Fourier transform, FFT)转化为频域信号。然后，构建了一个ResNeXt-50特征提取器，并使用DANN和MK-MMD方法进行特征映射和域适应，从而实现源工况到目标工况的迁移学习。试验结果表明，该方法能提高对故障特征的识别精度，且在不同工况下的迁移试验中具有更好的鲁棒性。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取