基于数据生成与迁移学习的轴承小样本故障诊断

发布时间：2021-01-09 22:59

　　针对风电机轴承历史运行数据来源单一、数据量少,导致风电机轴承故障诊断性能受限问题,提出一种基于数据生成与迁移学习的轴承小样本故障诊断方法。首先,对于轴承数据集中存在类不平衡、数据稀缺的问题,提出一种基于门限机制的数据生成方法,采用与轴承驱动端同轴的桨叶端数据为模板产生足量的生成数据,结合真实数据作为源数据集;然后,根据数据的时序关联性和小样本的应用场景,提出一种基于一维卷积神经网络（One Dimensional Convolutional Neural Network, 1DCNN）和双向门限单元（Bidirectional Gated Recurrent Unit, BiGRU）的迁移学习（TransferLearning）方法,先用源数据集在训练网络上训练获得源模型,再用少量驱动端数据作为目标数据集对其进行微调（Fine-tuning）获得目标模型;最后,对目标模型全连接层的输出采用Softmax函数进行故障诊断。实验表明,提出的故障检测方法在目标集小样本数据的场景下平均精度达到99.67%,分类效果明显,泛化能力强。 

【文章来源】：机械传动. 2020,44(11)北大核心

【文章页数】：6 页

【部分图文】：

GAN一次迭代的过程

式中，oj为输出层第j个神经元的输出logits值；wjk为全连接层第k个神经元与输出层第j个神经元之间的权值；bj为输出层第j个神经元的偏移项；arg max (·)将输出经Softmax函数得到的激活值赋值为1，其余值赋为0，并返回1所在的神经元的标号，该标号即为故障诊断的结果，与真实标签进行对比判断结果是否准确。4 仿真结果

桨叶端振动信号波形图


本文编号：2967557