哈尔滨理工大学工学硕士学位论文
基于深度迁移学习的滚动轴承故障诊断方法研究
摘要
在现代工业体系中，旋转机械设备的集成度和复杂度不断提高，滚动轴承作
为承载旋转运动的关键部件，其工作状态直接影响到整个设备的性能与寿命。然
而，在长期运转过程中滚动轴承往往会受到物料降解、载荷变化、温湿度波动等
诸多不利因素的影响，从而导致故障频繁发生。因此，对滚动轴承健康状态进行
全方位监测至关重要。本文以滚动轴承故障诊断作为主要研究方向，探索基于深
度迁移学习的滚动轴承故障诊断方法，具体研究工作如下：
1
（）因传统卷积神经网络缺乏去噪结构，其从振动信号中提取特征的能力受
到噪声干扰的制约，本文提出基于格拉姆去噪结合注意力机制和残差网络的时频
增强网络模型(GramianDenoisingTime-frequencyEnhancedNetworkCombinedwith
ConvolutionBlockAttentionModuleandResidualGTFE-CBAM-ResNet
，)。通过格
GramianDenoisingStrategyGDS
拉姆去噪策略(，)的低秩增强来强化振动信息中有
价值的特征信息，并基于模块化方法构建故障诊断模型。通过三种轴承数据集验
证GTFE-CBAM-ResNet方法在高噪声背景下的轴承故障诊断分类性能。
2
（）当两个领域之间的数据分布不同时，现有的深度迁移学习模型仅依赖于
领域不变特征，难以完成目标领域的数据学习，本文提出基于线性叠加网络的增
强迁移学习模型(LinearSuperpositionConvolutionalNeuralNetworkEnhanced
TransferLearningLSCNN-ETL
，)。通过构造线性叠加卷积块来改进一维卷积神经
网络的结构，同时，利用网络中目标域的伪标签构造迁移学习的损失函数，从而
增强滚动轴承故障特征的提取能力，使网络更加注重目标域的特征学习。采用江
南大学数据集和帕德博恩大学数据集测试和验证LSCNN-ETL方法轴承故障诊断
效果。
3
（）传统的领域自适应方法仅在“闭集”假设下有效，即在训练时所有测试
类都是已知的，针对现实训练过程中知识是不完整的，导致在测试过程中出现未
知类样本，本文提出基于对抗学习的开集域自适应的故障诊断模型(OpenSet
DomainAdaptiveDiagnosisModelbasedonAdversarialLearningOSDA-AL
，)。通过
构建稀疏自编码器作为特征生成器来提取隐藏在数据中的潜在特征，对标签预测
器结构进行改进。采用美国凯斯西储大学轴承数据集测试和验证OSDA-AL方法在
不同工况下识别未知故障并检测已知故障的能力。
关键词滚动轴承；故障诊断；深度学习；迁移学习；领域自适应
-I-
哈尔滨理工大学工学硕士学位论文
ResearchonRollingBearingFaultDiagnosisMethod
BasedonDeepTransferLearning
Abstract
Inmodernindustrialsystem,theintegrationandcomplexityofrotating
mechanicalequipmentareconstantlyimproving.Asakeycomponentbearing
rotatingmotion,theworkingstateofrollingbearing