針對風電機軸承歷史運行數(shù)據(jù)來源單一、數(shù)據(jù)量少,導致風電機軸承故障診斷性能受限問題,提出一種基于數(shù)據(jù)生成與遷移學習的軸承小樣本故障診斷方法。首先,對于軸承數(shù)據(jù)集中存在類不平衡、數(shù)據(jù)稀缺的問題,提出一種基于門限機制的數(shù)據(jù)生成方法,采用與軸承驅(qū)動端同軸的槳葉端數(shù)據(jù)為模板產(chǎn)生足量的生成數(shù)據(jù),結(jié)合真實數(shù)據(jù)作為源數(shù)據(jù)集;然后,根據(jù)數(shù)據(jù)的時序關(guān)聯(lián)性和小樣本的應(yīng)用場景,提出一種基于一維卷積神經(jīng)網(wǎng)絡(luò)（One Dimensional Convolutional Neural Network, 1DCNN）和雙向門限單元（Bidirectional Gated Recurrent Unit, BiGRU）的遷移學習（TransferLearning）方法,先用源數(shù)據(jù)集在訓練網(wǎng)絡(luò)上訓練獲得源模型,再用少量驅(qū)動端數(shù)據(jù)作為目標數(shù)據(jù)集對其進行微調(diào)（Fine-tuning）獲得目標模型;最后,對目標模型全連接層的輸出采用Softmax函數(shù)進行故障診斷。實驗表明,提出的故障檢測方法在目標集小樣本數(shù)據(jù)的場景下平均精度達到99.67%,分類效果明顯,泛化能力強。 

【文章來源】：機械傳動. 2020,44(11)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

GAN一次迭代的過程

式中，oj為輸出層第j個神經(jīng)元的輸出logits值；wjk為全連接層第k個神經(jīng)元與輸出層第j個神經(jīng)元之間的權(quán)值；bj為輸出層第j個神經(jīng)元的偏移項；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)元的標號，該標號即為故障診斷的結(jié)果，與真實標簽進行對比判斷結(jié)果是否準確。4 仿真結(jié)果

槳葉端振動信號波形圖


本文編號：2967557