基于一维卷积注意力门控循环网络和迁移学习的轴承故障诊断

摘要：

针对实际应用中轴承故障数据获取困难,导致其故障诊断模型的准确性和泛化能力下降的问题,提出了一种基于一维卷积注意力门控循环网络(1DCNN-Attention-GRU)和迁移学习的轴承故障诊断方法.首先,构建基于一维卷积网络(1D convolutional neural networks,1DCNN)、门控循环网络(gated recurrent unit,GRU)和注意力机制(Attention)的故障诊断网络,解决传统故障诊断方法特征提取过于依赖人工经验的问题;然后,引入迁移学习,利用充足的源域数据训练网络,冻结训练好的网络底层结构,再利用少量目标域数据对网络顶层结构进行微调,得到目标网络模型;最后,采用Softmax函数进行故障分类.实验结果表明,所提方法在不同训练样本比例下的故障诊断准确率均高于1DCNN-GRU、GRU以及支持向量机(support vector machine,SVM),并能在变工况及小样本数据下获得较高的故障诊断准确率,当使用3％目标域数据进行微调时,故障诊断准确率高于98％.

关键词：故障诊断、迁移学习、深度学习、门限循环单元

所属期刊栏目：42

分类号：U226.8+1(电气化铁路)

资助基金：河北省自然科学基金F2016502104

在线出版日期：2023-02-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：159-164,173