典型文献
小样本下滚动轴承故障的多源域迁移诊断方法
文献摘要：
为了减小神经网络在机械设备故障预示与健康管理(PHM)过程中对大量完备数据的依赖,针对数据稀少情况下的滚动轴承故障诊断问题,提出了一种多源域迁移学习方法.模型采用一维卷积神经网络(1D-CNN),以原始振动信号作为模型的输入,利用两个不同的源域数据依次对模型进行预训练,使用目标域数据对预训练模型进行微调,提高对目标域的识别精度.采用频询实验台实测数据及西储大学数据集,在目标域故障样本不足的情况下分别对模型的分类精度、训练速度、结果稳定性、多源域有效性进行验证,并与卷积神经网络(CNN)、迁移成分分析(TCA)、联合分布适配(JDA)、支持向量机(SVM)的诊断结果进行对比.实验结果表明,在故障数据稀少时,模型能达到较高的分类精度,在目标域样本数量不同的3种情况下,多源域迁移方法分类精度分别达到了 97.71％、96.28％、94.18％,并且模型有着较快的收敛速度,较好的稳定性.
文献关键词：
多源域迁移学习;卷积神经网络;滚动轴承;故障诊断
中图分类号：
作者姓名：
陈保家;陈学力;肖文荣;陈法法;肖能齐;刘强
作者机构：
三峡大学水电机械设备设计与维护湖北省重点实验室 宜昌 443002;重庆大学机械传动国家重点实验室 重庆 400030;三峡大学机械与动力学院 宜昌 443002
文献出处：
引用格式：
[1]陈保家;陈学力;肖文荣;陈法法;肖能齐;刘强-.小样本下滚动轴承故障的多源域迁移诊断方法)[J].电子测量与仪器学报,2022(02):219-228
A类：
JDA
B类：
小样本,迁移诊断,小神,机械设备故障,预示,PHM,量完,稀少,滚动轴承故障诊断,诊断问题,多源域迁移学习,迁移学习方法,一维卷积神经网络,1D,振动信号,目标域,预训练模型,微调,识别精度,实验台,分类精度,训练速度,迁移成分分析,TCA,联合分布适配,诊断结果,故障数据,少时,样本数量,方法分类,收敛速度
AB值：
0.297965
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
