选择性集成迁移算法在轴承故障诊断领域的应用

发布时间：2023-03-19 21:22

　　针对工况复杂多变而产生数据分布不一致,导致传统机器学习进行故障诊断分析时精度低的问题,提出了选择性集成迁移学习的故障诊断方法,基于相似度原理,将相似度高的源域数据迁移至目标域,增加了有效训练样本的数据量,然后结合集成SVM进行故障识别;并在此基础上,提出了一种基于类内类间数据样本分散度的特征选取方法。轴承故障诊断实验结果表明,选择性集成迁移学习可以有效解决工况多变导致设备故障诊断精度低的问题,而且特征优选后诊断精度会得到进一步提升。

【文章页数】：5 页

【文章目录】：
1 引言
2 迁移学习
    2.1 迁移学习的原理和优势
    2.2 SelectTr迁移学习方法
3 特征选择
4 诊断分析
    4.1 实验数据
    4.2 特征提取和优选
    4.3 诊断分析
        4.3.1 源域数据样本不变，目标域数据样本增加
        4.3.2 目标域数据样本不变，源域数据样本递增
        4.3.3 特征参数未优选条件下迁移学习诊断分析
5 结论



本文编号：3766004