非理想数据下基于仿真数据辅助迁移学习的滚动轴承故障诊断
旋转机械在实际工程应用中常处于正常状态,因而呈现故障样本稀少甚至部分缺失等非理想数据情况.针对直接采用非理想数据建立深度学习诊断模型时的低准确率问题,提出基于有限元仿真数据辅助迁移学习的故障诊断方法.首先,通过数值仿真计算不同运行工况和故障类型的轴承信号;进而,利用大量低成本高保真的仿真样本对模型预训练,利用真实小样本或者仿真样本增补后的混合样本进行模型微调,以完成高准确率故障诊断,并降低迁移学习对故障轴承实测数据的依赖;最后,利用两个轴承实验台数据进行验证.结果表明在单类故障样本数为 1 时,采用所提方法建立的模型准确率超过 95%;在故障样本稀少且多类缺失时,准确率比仿真数据直接增补方式提升超 10%.
非理想数据、有限元仿真、迁移学习、故障诊断
44
TH165+.3;TP206+.3
国家自然科学基金52075349
2023-07-10(万方平台首次上网日期,不代表论文的发表时间)
共12页
28-39