發(fā)布時(shí)間：2021-01-09 22:59

　　針對(duì)風(fēng)電機(jī)軸承歷史運(yùn)行數(shù)據(jù)來(lái)源單一、數(shù)據(jù)量少,導(dǎo)致風(fēng)電機(jī)軸承故障診斷性能受限問(wèn)題,提出一種基于數(shù)據(jù)生成與遷移學(xué)習(xí)的軸承小樣本故障診斷方法。首先,對(duì)于軸承數(shù)據(jù)集中存在類不平衡、數(shù)據(jù)稀缺的問(wèn)題,提出一種基于門(mén)限機(jī)制的數(shù)據(jù)生成方法,采用與軸承驅(qū)動(dòng)端同軸的槳葉端數(shù)據(jù)為模板產(chǎn)生足量的生成數(shù)據(jù),結(jié)合真實(shí)數(shù)據(jù)作為源數(shù)據(jù)集;然后,根據(jù)數(shù)據(jù)的時(shí)序關(guān)聯(lián)性和小樣本的應(yīng)用場(chǎng)景,提出一種基于一維卷積神經(jīng)網(wǎng)絡(luò)（One Dimensional Convolutional Neural Network, 1DCNN）和雙向門(mén)限單元（Bidirectional Gated Recurrent Unit, BiGRU）的遷移學(xué)習(xí)（TransferLearning）方法,先用源數(shù)據(jù)集在訓(xùn)練網(wǎng)絡(luò)上訓(xùn)練獲得源模型,再用少量驅(qū)動(dòng)端數(shù)據(jù)作為目標(biāo)數(shù)據(jù)集對(duì)其進(jìn)行微調(diào)（Fine-tuning）獲得目標(biāo)模型;最后,對(duì)目標(biāo)模型全連接層的輸出采用Softmax函數(shù)進(jìn)行故障診斷。實(shí)驗(yàn)表明,提出的故障檢測(cè)方法在目標(biāo)集小樣本數(shù)據(jù)的場(chǎng)景下平均精度達(dá)到99.67%,分類效果明顯,泛化能力強(qiáng)。 

【文章來(lái)源】：機(jī)械傳動(dòng). 2020,44(11)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

GAN一次迭代的過(guò)程

式中，oj為輸出層第j個(gè)神經(jīng)元的輸出logits值；wjk為全連接層第k個(gè)神經(jīng)元與輸出層第j個(gè)神經(jīng)元之間的權(quán)值；bj為輸出層第j個(gè)神經(jīng)元的偏移項(xiàng)；arg max (·)將輸出經(jīng)Softmax函數(shù)得到的激活值賦值為1，其余值賦為0，并返回1所在的神經(jīng)元的標(biāo)號(hào)，該標(biāo)號(hào)即為故障診斷的結(jié)果，與真實(shí)標(biāo)簽進(jìn)行對(duì)比判斷結(jié)果是否準(zhǔn)確。4 仿真結(jié)果

槳葉端振動(dòng)信號(hào)波形圖


本文編號(hào)：2967557