基于改进交替迁移学习的滚动轴承故障诊断算法

针对不同型号滚动轴承监测信号之间特征分布差异大、故障数据样本少,导致轴承故障精度低的问题,提出了一种基于改进交替迁移学习的滚动轴承故障诊断算法。为了充分发挥卷积神经网络(convolutional neural network, CNN)对二维数据优秀的特征提取能力,首先将一维振动信号转化为二维图像,输入到深度卷积神经网络中学习;其次,为了减少源域与目标域数据间的特征分布差异,提出了改进的交替迁移学习(improved alternately transfer learning, IATL),通过交替计算域间的CORAL损失函数和最大均值差异(maximum mean discrepancy, MMD)损失函数,并反向传播更新各层网络权重与偏置参数,以实现变工况、跨轴承型号和小故障样本条件下轴承特征迁移适配;最后,在全连接层使用Softmax函数对目标域数据进行故障诊断。为了验证该算法的有效性,采用凯斯西储大学(Case Western Reserve University, CWRU)的滚动轴承数据集进行了迁移试验验证。结果表明,与仅计算CORAL损失函数和MMD损失函数等算法对比可知,该算法有效地减少了领域数据之间的特征分布差异,具有较高的故障分类准确率。

一种基于迁移卷积神经网络的滚动轴承故障诊断方法概述

针对传统基于卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法的特征提取能力有限,在数据样本较少且鲁棒性较差的情况下无法获得准确的诊断结果的问题,提出采用一种将CNN与迁移学习(Transfer Learning,TL)相结合的方法,即基于迁移卷积神经网络(Transfer Convolutional Neural Network,TCNN)的滚动轴承故障诊断方法。该方法选用在ImageNet数据集上预训练的基准CNN模型AlexNet网络作为基础架构的CNN模型,结合TL将已有预测模型中的底层参数冻结,仅对上层参数进行训练更新,当训练次数达到一定数量时,能有效提升故障诊断准确率。试验结果表明,该方法能提升故障诊断模型在数据样本较少情况下的抗噪声能力和泛化性能,进而提高滚动轴承故障诊断的精度。

随机集成策略迁移

强化学习(RL)在序列决策问题上取得了巨大的成功。随着强化学习的飞速发展,迁移学习(TL)成为了一种重要的可以通过利用和转移外部知识来加速强化学习的技术。策略迁移是一种外部知识来自教师策略的迁移强化学习方法。现有的策略转移方法要么通过测量源任务与目标任务之间的相似性来转移知识,要么通过估计源策略在目标任务上的性能来选择最佳源策略。但是,性能估计有时可能不可靠,这可能会导致负迁移。针对这种问题,提出了一种新的策略转移方法,称为随机集成策略迁移(SEPT)。SEPT不是在源策略库中选择一个策略,而是利用源策略集成出教师策略来进行迁移。SEPT把策略迁移转变为选项学习问题以便获得终止概率,用终止概率计算出源策略的概率权重,根据概率权重从策略库中集成出教师策略。然后,通过策略蒸馏的方式从教师策略进行知识迁移。实验结果表明SEPT可以有效地加速强化学习训练,并且在离散和连续空间上都能胜过其他最佳的策略迁移方法。