第40卷第2期2023年2月机电工程JournalofMechanical＆ElectricalEngineeringVol．40No．2Feb．2023收稿日期:2022－05－23基金项目:山西省自然科学基金资助项目(201801D121186)作者简介:朱继扬(1996－)，男，河南信阳人，硕士研究生，主要从事机械系统故障诊断与状态检测方面的研究。E-mail:1664546742@qq．com通信联系人:孙虎儿，男，博士，副教授，硕士生导师。E-mail:sunhuer@163．comDOI:10．3969/j．issn．1001－4551．2023．02．003基于多表示动态自适应的不同工况下滚动轴承故障诊断*朱继扬，孙虎儿*，张天源，赵扬，白晓艺(中北大学机械工程学院，山西太原030051)摘要:在对不同工况下的滚动轴承进行故障诊断时，要收集足够多标记的故障样本是非常困难的。为此，以原始振动信号作为神经网络的输入，通过多表示动态自适应(MＲDA)算法多表示对齐可迁移的特征、自适应动态的衡量边缘分布和条件分布相对重要性，从而构建了一种新的深度迁移模型，即一维多表示空洞动态自适应迁移网络(1DMＲDDATN)。首先，对迁移学习数据分布进行了问题分析，对DDA进行了理论推导;然后，在一维空洞卷积基础上，创建了一维多表示空洞卷积神经网络(1DMＲDCNN)，并提出了MＲDA算法和多表示动态自适应结构(MＲDAM)，形成了一维多表示空洞动态自适应迁移网络(1DMＲDDATN);最后，采用美国凯斯西储大学(CWＲU)的滚动轴承数据集进行了实验验证。研究结果表明:与传统的深度迁移学习方法相比，上述方法的平均诊断准确率有所提升，可达到98%以上;MＲDA通过多表示对齐来完成不同工况下的跨域分类任务，自适应地捕获不同方面的信息，可以获得更好的性能。关键词:不同工况;一维多表示空洞动态自适应迁移网络;故障样本;深度迁移学习;多表示动态自适应算法;神经网络;一维多表示空洞卷积神经网络中图分类号:TH133．33文献标识码:A文章编号:1001－4551(2023)02－0178－09ＲollingbearingfaultdiagnosisunderdifferentworkingconditionsbasedonMＲDAZHUJi-yang，SUNHu-er，ZHANGTian-yuan，ZHAOYang，BAIXiao-yi(SchoolofMechanicalEngineering，TheNorthUniversityofChina，Taiyuan030051，China)Abstract:Infaultdiagnosisofrollingbearingunderdifferentworkingconditions，abundantlylabeleddatawasoftendifficultorevenimpossibletoobtain．Therefore，usingtheoriginalvibrationsignalastheinputoftheneuralnetwork，throughthemultiplerepresentationdynamicadaptive(MＲDA)algo...
