为了解决传统深度自动编码器存在的过度拟合以及泛化能力弱等问题,提出一种基于深度Laplacian正则化自动编码器的不平衡旋转机械故障诊断。首先将采集到的振动信号输入到构造的深度Laplacian正则化自动编码器模型中进行逐层特征提取,将Laplacian正则化项引入到深度自动编码器的原始目标函数中,以平滑故障诊断模型中数据的流形结构,从而提高故障诊断框架的泛化性能,然后利用BP分类器对提取的深层判别敏感特征流进行故障诊断。最后通过CWRU故障数据集实验结果证明提出的方法能够实现旋转机械平衡与不平衡数据集的精确故障诊断没并且具有较好的泛化性能。

为解决边缘数据离群性问题,提出了一种基于类加权对抗网络的跨域旋转机械故障诊断方法。通过在源类别上附加类级权重,可以直观地表示源域和目标域之间的关系,有利于共享类别的条件对齐。进一步提出用于局部域自适应的类加权对抗网络,同时忽略源异常值,有效激励了正知识的转移,提升域自适应的效果。在CWRU数据集和一个列车转向架数据集上对该方法进行了实验,结果表明提出的方法可以有效地解决边缘数据离群性问题,提升知识迁移的效果从而提高故障诊断精度。