基于一维CNN迁移学习的滚动轴承故障诊断 |
| |
引用本文: | 王琦,邓林峰,赵荣珍.基于一维CNN迁移学习的滚动轴承故障诊断[J].振动.测试与诊断,2023,43(1):24-30. |
| |
作者姓名: | 王琦 邓林峰 赵荣珍 |
| |
作者单位: | (兰州理工大学机电工程学院 兰州,730050) |
| |
基金项目: | 国家自然科学基金资助项目(51675253);中国博士后科学基金资助项目(2016M592857) |
| |
摘 要: | 由于在工程实际中采集的故障振动数据分布不同且难以标记,使得卷积神经网络(convolutional neural network,简称CNN)在故障诊断过程中难以发挥最佳作用。针对此问题,提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先,建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练;其次,利用最大均值差异(maximum mean discrepancy,简称MMD)度量源域和目标域在预训练模型中各层上的特征分布距离,并通过MMD判断卷积层和全连接层能否迁移,若不能迁移则使用初始化方式补全模型;最后,使用少量标记的目标域数据再次训练模型,进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证,结果显示,该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类,并达到较高的诊断准确率。
|
关 键 词: | 故障诊断 迁移学习 一维卷积神经网络 滚动轴承 最大均值差异 |
收稿时间: | 2020/11/24 0:00:00 |
修稿时间: | 2021/1/27 0:00:00 |
|
| 点击此处可从《振动.测试与诊断》浏览原始摘要信息 |
|
点击此处可从《振动.测试与诊断》下载全文 |
|