基于深度在线迁移的变负载下滚动轴承故障诊断方法

查看全文 作　　者：[1]康守强索引[1]刘旺辉 [1]王玉静索引[1]王庆岩 Mikulovich V [2]I

机构地区：[1]哈尔滨理工大学电气与电子工程学院,哈尔滨150080;[2]白俄罗斯国立大学,明斯克220030

出　　处：《控制与决策》索引2022年第37卷第6期,共10页

基　　金：国家自然科学基金项目(51805120);黑龙江省自然科学基金项目(LH2019E058);黑龙江省普通高校基本科研业务专项资金项目(LGYC2018JC022)。 摘　　要：针对变负载条件下滚动轴承源域与目标域中相同状态的数据特征分布差异性较大,目标域数据按照序列方式在线获取时,数据更新需重新训练模型的问题,提出一种深度在线迁移的CNN-ISVM (convolutional neural networks-incremental support vector machine)变负载下滚动轴承故障诊断方法.该方法运用短时傅里叶变换得到不同负载下滚动轴承振动信号的频谱图并构建数据集;使用源域数据建立CNN-ISVM预训练模型并保存模型参数;利用迁移学习将源域共享模型参数迁移至目标域CNN-ISVM模型训练过程中,快速建立分类模型;分类模型中的ISVM分类器在保留已学到知识的基础上,在线处理目标域新增数据,无需重新训练.经实验验证,所提出方法可实现数据按照序列方式采集的变负载下滚动轴承多状态在线分类,并具有较好的稳定性及较高的准确率. 关键词：滚动轴承迁移学习在线学习增量支持向量机卷积神经网络故障诊断

相关文献

参考文献（26）
引证文献（18）
耦合文献（646）

参考文献(26)

引证文献(18)

耦合文献(646)

互联网出版许可证新出网证(渝)字10号全国400电话 - 免长途话费

基于深度在线迁移的变负载下滚动轴承故障诊断方法

参考文献(26)

引证文献(18)

耦合文献(646)

用户提示