在工程实际中,设备数据样本往往以正常数据居多。故障样本稀缺且模态单一使得可用于训练的故障信息特征提取不足,同时训练和测试数据分布往往存在差异,从而导致模型迁移诊断能力较弱。针对该问题,提出将深度学习模型CNN与多模态融合迁...在工程实际中,设备数据样本往往以正常数据居多。故障样本稀缺且模态单一使得可用于训练的故障信息特征提取不足,同时训练和测试数据分布往往存在差异,从而导致模型迁移诊断能力较弱。针对该问题,提出将深度学习模型CNN与多模态融合迁移学习技术相结合(Deep Multimodal Fusion Transfer Learning,DMFTL)应用于轴承的故障诊断中。首先以CNN为基本学习框架,将原始一维振动信号的时域和频域进行多模态信息融合对模型预训练;然后以最大均值差异(MMD)为度量准则,通过域自适应来最小化源域和目标域的差异;最后引入构造的正则项到模型中,以完成跨域诊断。通过对CWRU轴承数据集的迁移诊断试验及对比分析,验证了该方法的有效性和优越性。展开更多
针对实际工程中目标样本通常无标签,而人工标记耗时耗力甚至无法实现造成诊断困难的问题,提出一种基于无监督多模态迁移学习诊断方法(unsupervised deep multimodal adaptive network,UDMAN)。首先,将完备丰富的实验数据作为源域,将其...针对实际工程中目标样本通常无标签,而人工标记耗时耗力甚至无法实现造成诊断困难的问题,提出一种基于无监督多模态迁移学习诊断方法(unsupervised deep multimodal adaptive network,UDMAN)。首先,将完备丰富的实验数据作为源域,将其时域和频域特征进行多模态信息融合以提取更全面的故障信息特征;其次,预训练深度迁移模型,共享模型的网络结构和参数;将缺乏标签样本的数据作为目标域,同时适配源域和率分布和条件概率分布以缩小两域之间的差异;最后,通过多次迭代优化迁移模型以实现跨域诊断。通过实验和对比分析,表明该方法可有效解决目标域无标签的难题,验证了该方法在齿轮箱无监督迁移诊断问题上的优越性。展开更多
文摘在工程实际中,设备数据样本往往以正常数据居多。故障样本稀缺且模态单一使得可用于训练的故障信息特征提取不足,同时训练和测试数据分布往往存在差异,从而导致模型迁移诊断能力较弱。针对该问题,提出将深度学习模型CNN与多模态融合迁移学习技术相结合(Deep Multimodal Fusion Transfer Learning,DMFTL)应用于轴承的故障诊断中。首先以CNN为基本学习框架,将原始一维振动信号的时域和频域进行多模态信息融合对模型预训练;然后以最大均值差异(MMD)为度量准则,通过域自适应来最小化源域和目标域的差异;最后引入构造的正则项到模型中,以完成跨域诊断。通过对CWRU轴承数据集的迁移诊断试验及对比分析,验证了该方法的有效性和优越性。
文摘针对实际工程中目标样本通常无标签,而人工标记耗时耗力甚至无法实现造成诊断困难的问题,提出一种基于无监督多模态迁移学习诊断方法(unsupervised deep multimodal adaptive network,UDMAN)。首先,将完备丰富的实验数据作为源域,将其时域和频域特征进行多模态信息融合以提取更全面的故障信息特征;其次,预训练深度迁移模型,共享模型的网络结构和参数;将缺乏标签样本的数据作为目标域,同时适配源域和率分布和条件概率分布以缩小两域之间的差异;最后,通过多次迭代优化迁移模型以实现跨域诊断。通过实验和对比分析,表明该方法可有效解决目标域无标签的难题,验证了该方法在齿轮箱无监督迁移诊断问题上的优越性。