摘 要: | 针对工业故障诊断过程中训练样本不足导致的诊断性能低下问题,文中以迁移学习和深度学习方法为基础,提出一种迁移BN-CNN(Batch Normalization-Convolutional Neural Network)框架。为了减少网络对初始化方法的依赖,在卷积神经网络中引入批归一化层,对网络的隐藏层进行归一化处理。针对目标域标签数据不充足问题,通过基于样本的迁移学习方法扩充目标域的标记数据量,引入基于模型的迁移学习方法,通过充足的源域数据预训练BN-CNN网络,并利用数据量扩充后的目标域微调该网络部分参数,降低了少量样本训练深度神经网络的难度,得到了更适合目标域的故障诊断模型。采用TE工业数据集对该方法进行对比验证,实验结果表明,文中所提方法对于小样本工业过程故障具有较好的诊断性能,其平均精度值为0.804。
|