基于深度迁移学习的柴油机故障诊断研究

摘要：

得益于大数据和人工智能的高速发展,数据驱动的智能故障诊断方法受到广泛关注.然而,在柴油机故障数据稀缺的情况下,传统神经网络训练容易出现过拟合且网络泛化能力差.为解决上述问题,提出一种基于深度迁移学习的小样本故障诊断方法.构建一种适用于柴油机原始振动信号的宽卷积核卷积长短期记忆神经网络,来提高故障数据特征提取和抗噪的能力,另外从原始数据自动提取特征,增强特征学习的智能性.进一步采用迁移学习方案,将大型标签源域数据的诊断知识迁移到目标域网络上,改进网络在目标域任务小样本条件下的学习和分类能力.在跨故障域和跨设备域迁移任务上进行算法评估,并与传统深度神经网络进行比较,验证了所提方法可有效改进小样本诊断性能.

关键词：迁移学习、柴油机、故障诊断、小样本、抗噪性

所属期刊栏目：42

分类号：TK428(内燃机)

资助基金：国家重点实验室开放基金skler-202009

在线出版日期：2023-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：219-226