-
题名基于无监督迁移学习的核范数最大化轴承故障诊断方法
被引量：4
- 1
-
-
作者
黄健豪
郑波
陈国庆
-
机构
中国民用航空飞行学院航空电子电气学院
核工业西南物理研究院
-
出处
《科学技术与工程》
北大核心
2023年第11期4638-4646,共9页
-
基金
四川科技计划重点项目(2022YFG0353)
四川省应用基础研究项目(2021YJ0591)。
-
文摘
针对实际工业运行中带标签的轴承故障数据难以获取,导致有监督学习故障诊断效果不佳的问题,提出一种基于无监督迁移学习(transfer learning,TL)的核范数最大化轴承故障诊断方法。该方法通过结构优化深度卷积神经网络(structure optimized deep convolutional neural networks,SOCNN)进行故障特征提取,利用最大均值差异(maximum mean discrepancy,MMD)提升源域和目标域的分布相似度,并结合快速批量核范数最大化(fast batch nuclear-norm maximization,FBNM)来提升目标域批量输出矩阵的可分辨性和多样性。实验结果表明:所提方法在不同噪声环境中都具有较高的诊断精度,能准确识别出轴承的故障类型和故障危害等级,为轴承故障诊断提供有效技术支撑。
-
关键词
无监督迁移学习
卷积神经网络
批量核范数最大化
故障诊断
-
Keywords
unsupervised transfer learning
convolutional neural network
batch nuclear-norm maximization
fault diagnosis
-
分类号
TH133.3
[机械工程—机械制造及自动化]
-
