基于神经网络和模型迁移学习的不相关多源频域载荷识别

针对使用模型初始权重随机设定的神经网络模型进行不相关多源频域载荷识别时训练效率低、精度低的问题,提出一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法。首先,利用某频率点的历史数据对不相关多源载荷识别的多输入多输出神经网络模型进行训练;其次,将该频率下的神经网络的模型参数迁移到相邻的目标频域的神经网络中作为网络权值的初值;再次,利用目标频率的历史数据对神经网络进行微调训练,从而得到目标频率的不相关多源频域载荷识别模型;最后,将该频率的训练好的神经网络的模型参数迁移到下一个相邻频率的模型,循环该过程直到建立所有频率点的神经网络模型。在圆柱壳声振实验数据集上的载荷识别结果表明,该方法具有较好的网络权值初值、能有效减少训练时间,比不使用迁移学习的神经网络方法、基于传递函数和最小二乘广义逆的方法、基于多元一次线性回归的方法具有更高的识别精度。

面向微小振动故障诊断的匹配小波深度迁移学习

针对传统方法在微小振动故障诊断中存在的特征识别效率低和样本数量有限等问题,提出匹配小波深度模型迁移学习方法。首先利用Morse连续小波对一维故障信号进行匹配升维,捕捉微小变化,得到可视化强化特征图像;其次对深度迁移网络源域模型进行有效迁移,该模型具有高效的图像学习经验,可降低目标域训练样本数量;最后在模型迁移中根据有限数据进行流程的参数优化。实验证明,该方法泛化能力强,可对多工况下微小特征进行检测与定位,并有效减少对数据的依赖,能够极大提高运算速度和诊断精度。

基于深度迁移学习的多点频域振动响应预测

针对多输入多输出神经网络(MIMO-ANN)进行多点频域振动响应预测时需要为每个频率点独立建立神经网络模型、独立随机选择神经网络模型初值导致的训练时间长、预测精度低等问题,提出了一种基于多输入多输出人工神经网络(MIMO-ANN)和模型迁移学习的多点频域振动响应预测方法。本研究对于多源不相关载荷未知条件下的基于数据驱动的振动响应预测问题进行了形式化描述,并比较了其与不相关多源载荷已知情况下基于数据驱动的多点频域振动响应预测问题的不同之处。首先,将某频率点下的多个振动响应已知的测点的自功率谱作为输入,多个振动响应未知的测点的自功率谱作为输出,将两部分历史数据集构造成为训练集,利用MIMO-ANN建立该频率下的未知点振动响应预测模型;其次,根据传递函数在频域的连续性,利用该频率下训练好的MIMO-ANN的权值迁移到相邻频率作为其MIMO-ANN的初值;再次,利用此相邻频率下的历史数据进行训练,从而得到此频率下的预测模型;最后,不断循环此过程,直到所有频率点的模型全部训练完成。该方法解决了矩阵病态求逆问题,可以获得更好的神经网络模型的初值,不容易陷入局部最优,加快了神经网络的收敛速度。在圆柱壳声振实验数据集的多点响应预测结果表明,在多源载荷未知条件下,该方法比基于无迁移学习神经网络、多元线性回归、传递函数的方法,预测精度、训练效率更高。

非平衡集成迁移学习模型及其在桥梁结构健康监测中的应用

在桥梁结构健康监测与状态评估过程中所获得的桥梁结构数据库常存在间断性异常或缺损,且不同样本分类数据不均匀,难以在信息缺失、数据分布失衡的情况下完成对桥梁结构健康的监测与状态评估.针对这一问题,在改进相似性度量函数的SOM聚类算法和非平衡集成迁移学习算法的基础上,提出了一种改进的迁移学习模型.通过对实际监测数据的分析,该迁移学习模型的分类精度随着目标数据集所占比例的不断增加而提高,验证了该模型的有效性和科学性.