基于一维CNN迁移学习的滚动轴承故障诊断

TH165.3%TP183; 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...

Full description

Saved in:
Bibliographic Details
Published in振动、测试与诊断 Vol. 43; no. 1; pp. 24 - 30
Main Authors 王琦, 邓林峰, 赵荣珍
Format Journal Article
LanguageChinese
Published 兰州理工大学机电工程学院 兰州,730050 2023
Subjects
滚动轴承
故障诊断
一维卷积神经网络
迁移学习
最大均值差异
Online AccessGet full text
ISSN1004-6801
DOI10.16450/j.cnki.issn.1004?6801.2023.01.004

Cover

More Information
Summary:TH165.3%TP183; 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.
ISSN:1004-6801
DOI:10.16450/j.cnki.issn.1004?6801.2023.01.004