基于迁移学习的滚动轴承在线故障诊断

• 作者: 毛冠通 洪流 王景霖
• 来源期刊: 航空科学技术
• 学科: 工学
• 关键词: 卷积神经网络 在线故障诊断 短时傅里叶变换 迁移学习
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 航空科学基金
• 页码范围: 61-67
• 页数: 7页
• 分类号: TP181
• 字数: 5320字
• 语种: 中文
• DOI: 10.19452/j.issn1007-5453.2020.01.008

摘要

故障检测与诊断是工业设备稳定、可靠、安全运行的关键.近年来,由于深度学习模型具有自动特征识别的能力,在数据驱动故障检测方法中得到广泛的应用.一般来说,深度学习模型都是针对同一问题的历史数据进行训练,然后使用同源新数据在训练好的模型里进行检测.而迁移学习能够有效地解决目标域与源域中不同但相似的问题,因此本文提出一种基于迁移学习的卷积神经网络(TCNN)在线故障诊断方法.首先,通过短时傅里叶变换(STFT)将时域信号数据转换为包含丰富信息的频域图像,作为适合卷积神经网络(CNN)的输入.然后,构建在线CNN,在线CNN能够从频域图像中自动提取特征并进行故障分类.最后,为了提高在线CNN的实时性,还构建了多个离线CNN,并对相关数据集进行了预训练.通过将离线CNN的浅层结构迁移到在线CNN,在线CNN可以显著提高实时性,成功地解决了在有限训练时间内达到期望的诊断精度问题.提出的方法在CWRU大学轴承数据集上进行了验证,达到了预期的诊断精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	毛冠通	武汉理工大学机电工程学院	1	0	0.0	0.0
2	洪流	武汉理工大学机电工程学院	1	0	0.0	0.0
3	王景霖	航空工业上海航空测试技术研究所故障诊断与健康管理技术航空科技重点实验室	5	5	1.0	2.0