论文摘要
对于智能故障诊断方法,大量有标签数据是实现智能模型训练的必要条件,但该条件在部分工业应用场景下难以满足。难以采集足够有标签数据,尤其是故障状态下的数据,在一定程度上限制了智能故障诊断方法的工业化应用。为解决该问题,提出基于特征知识迁移的机械设备智能故障诊断方法,将实验设备或其他相关设备所采集的足量有标签数据所蕴含的特征知识迁移至工业现场设备所部署的智能模型中,完成不同机械设备之间监测数据的特征知识迁移,从而实现无标签数据下的机械设备智能故障诊断。提出方法首先构建一维深度卷积神经网络,实现从原始振动信号到机械设备故障类别的深度映射。然后在深度卷积神经网络中加入领域适配正则约束项,实现不同机械设备监测数据间特征知识的深度迁移适配。最后,通过全连接神经网络进行机械设备健康状态的识别。为验证提出算法的有效性,通过两种机械设备的轴承在不同性能状态下所采集的监测数据进行迁移故障诊断实验,实验结果表明:提出方法实现了不同设备间监测数据特征知识的迁移适配;相对于传统智能诊断方法,提出的方法在两个数据集之间的迁移故障诊断识别率提高20%以上。
论文目录
文章来源
类型: 期刊论文
作者: 郭亮,董勋,高宏力,李长根
关键词: 智能故障诊断,机械设备,迁移学习,特征知识迁移,轴承
来源: 仪器仪表学报 2019年08期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 机械工业,自动化技术
单位: 西南交通大学机械工程学院,轨道交通运维技术与装备四川省重点实验室
基金: 国家自然科学基金(51905452),中央高校基本科研专项(2682017ZDPY09,2682019CX35,2018GF02)资助
分类号: TH17;TP277
DOI: 10.19650/j.cnki.cjsi.J1905152
页码: 58-64
总页数: 7
文件大小: 315K
下载量: 585