谱质心迁移在变工况轴承故障诊断的应用
轴承故障诊断普遍存在需建立不同模型以适应变工况的问题,故提出一种谱质心迁移学习模型,通过将源工况领域迁移至目标工况领域减少后者的建模代价,并增强模型通用性.首先计算两工况领域间频谱相似度(FSSM)并排序选择近距离源工况领域为初始训练集.其次在迭代过程中剔除与训练集谱质心均值距离较远的样本,并加入同数量目标工况领域无标签样本,直至两者谱质心均值距离一致,模型故障类别取决于支持向量机(SVM)和逻辑回归(LR)基分类器的输出.Spectra Quest齿轮传动系统试验结果表明,转速负载发生变化时,该模型诊断性能优于非迁移模型,且能够根据替换样本数、精度、频谱相似度、耗时等指标评估源工况领域质量,因此具有解决变工况轴承故障诊断问题的潜在价值.
谱质心、迁移学习、轴承故障诊断、频谱相似度
40
TH165
国家自然科学基金51575102;东南大学优秀博士学位论文培育基金YBPY1887
2019-09-11(万方平台首次上网日期,不代表论文的发表时间)
共10页
99-108