科研之友
微信
新浪微博
Facebook
分享链接
摘要
提出一种基于多任务深度学习的故障诊断方法，将故障诊断任务分为故障分类和损伤程度识别。共享层采用卷积神经网络提取监测振动信号中蕴含的故障特征信息，两个子任务模块使用门控循环单元从共享层的输出中进一步提取特征，进行故障分类和损伤程度识别。在多任务深度学习方法中两个子任务模块可以通过共享层相互影响，提高模型的特征提取能力，获得更好的故障诊断性能。在轴承数据集上进行故障诊断实验，同时与故障分类单任务模型和损伤程度识别单任务模型进行对比，以检验多任务深度学习方法的故障诊断性能，实验结果显示多任务深度学习模型在测试集上两个任务同时正确的准确率为99.79%。为进一步验证多任务深度学习方法的特征提取能力，在测试集中添加不同程度的高斯噪声进行故障诊断实验，在较强噪声情况下，多任务深度学习模型的准确率明显高于单任务深度学习模型。研究结果表明，多任务深度学习模型与单任务深度学习模型相比故障诊断准确率更高，同时抗噪性能更好，具有一定的实用价值。
- 出版日期2021
- 单位石家庄铁道大学
