Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法 

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

摘要:一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法,涉及机械部件故障诊断技术领域,用以解决现有故障诊断模型由于没有考虑不同部件振动信号之间的差别或实际训练样本中含标签样本极少而导致旋转机械部件故障诊断率不佳的问题。本发明基于VGG‑16深度卷积网络训练故障诊断模型,首先提出引用SAdam梯度下降算法来优化源域的VGG‑16深度卷积网络以形成预训练模型,防止负迁移;然后将自监督与深度迁移学习结合,提出一种利用改进的SimCLR对比学习框架提升迁移后神经网络模型识别能力的方法,并更改SimCLR对比学习框架中投影头激活函数为Swish函数;进一步结合少量带标签训练样本进行微调共同训练获得故障诊断模型。本发明可应用于机械部件故障状态分类判断之中。

主权项:1.一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法,其特征在于,包括以下步骤:步骤一、获取机械部件A所有状态的振动信号作为源域数据;获取不同于机械部件A的其它机械部件少量带有状态标签的振动信号作为目标域数据;步骤二、对源域和目标域数据进行预处理,获得源域图像数据集和目标域图像数据集;所述预处理包括对源域和目标域数据作短时傅里叶变换,分别构造多状态二维源域图像数据集和目标域图像数据集;步骤三、将源域图像数据集输入改进的源域VGG-16深度卷积网络进行预训练,获得预训练模型,并保存预训练模型网络参数;其中,改进的VGG-16深度卷积网络的改进之处包括:采用SAdam梯度优化算法来更新网络参数以加快VGG-16深度卷积网络的收敛;网络参数更新过程表示为: 其中,D表示有界空间;xt表示从D中选择的一个决策;表示梯度平方二阶动量添加消失因子后的变形;α表示学习率;t表示时间;表示一阶动量;步骤四、将预训练模型网络参数迁移至目标域VGG-16深度卷积网络来初始化模型网络参数,将目标域图像数据集输入目标域VGG-16深度卷积网络并引入自监督SimCLR框架进行训练,通过SimCLR的损失函数自适应更新目标域VGG-16深度卷积网络的网络参数,获得故障状态分类模型;步骤五、将待诊断机械部件未知状态的振动信号经过上述步骤二的预处理后输入所述故障状态分类模型中,获得待诊断机械部件的状态识别结果。

全文数据:

权利要求:

百度查询: 哈尔滨理工大学 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。