为了提升传统迁移学习故障诊断中信息挖掘深度,实现不同机器间的迁移学习,提出了一种基于特征的迁移神经网络轴承智能故障诊断方法。首先利用一个域共享的卷积神经网络同时从BLMS和BRMS中提取原始振动数据的可传递特征。然后,提出了多层域自适应和伪标记学习的正则化项,对神经网络的参数施加约束,以减小学习的可迁移特征的分布差异和类间距离。利用实验室采集的电机轴承和齿轮箱轴承的数据,识别出实际情况下机车轴承的健康状态。结果表明,该方法能够有效地学习可传递特征,弥补BLMS和BRMS数据之间的差异,验证了该方法的有效性。

为了解决包络谱稀疏问题,提出了一种基于包络谱稀疏指标盲滤波器的轴承状态监测方法。提出的盲滤波器利用三种不同的稀疏性测度l1/l2范数、霍耶指数和谱负熵导出,迭代优化过程的关键是利用Rayleigh商来更新滤波器系数,从而在不需要知道有关机械部件的特征故障频率等先验信息条件下,利用包络谱的稀疏性来跟踪振动信号中具有二阶循环平稳特征的故障。轴承数据集的实验结果表明提出的方法能够实现具有循环平稳特征的轴承故障跟踪,并且对滤波器长度具有良好的鲁棒性。