奇异值分解与迁移学习在电机故障诊断中的应用

• 作者: 严如强 沈飞 陈超
• 来源期刊: 振动工程学报
• 学科: 工学
• 关键词: 故障诊断 奇异值分解 迁移学习 可迁移度 特征提取
• 年，卷（期）: 2017,（1）
• 页码范围: 118-126
• 页数: 9页
• 分类号: TH165+.3|TP181
• 字数: 7364字
• 语种: 中文
• DOI: 10.16385/j.cnki.issn.1004-4523.2017.01.016

摘要

针对变转速、变负载条件下的电机故障诊断问题,提出了一种基于自相关矩阵奇异值分解(Singular Value Decomposition,SVD)的特征提取和迁移学习分类器相结合的诊断方法.对于Hankel矩阵提取的奇异值向量,设计了平均曲率区分度指标来描述特征差异性,迁移学习TrAdaBoost算法通过迭代过程中调节辅助振动数据的权重来帮助目标数据学习,提升了分类正确率,同时利用向量夹角余弦进行可迁移度检测从而避免负迁移.试验结果表明,SVD无需利用故障先验知识,具有通用性,且迁移学习相比传统机器学习在目标振动数据较少条件下性能得到显著提升.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈超	东南大学仪器科学与工程学院	17	86	4.0	9.0
2	严如强	东南大学仪器科学与工程学院	11	226	6.0	11.0
3	沈飞	东南大学仪器科学与工程学院	9	87	3.0	9.0