基于迁移学习的小样本轴承故障诊断方法研究

摘要

针对实际应用中训练样本严重不足的问题,提出了一种改进迁移学习方法,将模型在源域上学习的故障诊断知识迁移至目标域,并将其用于小样本轴承故障诊断研究.采用全局均值池化层代替卷积神经网络中的全连接层进行分类输出,减少了网络的待训练参数量.采用预训练微调的迁移学习方法,使用数量充足的源域样本来训练网络,避免了数据不足导致的过拟合现象.将网络结构和参数迁移至目标域后,微调较深层的网络参数,使得网络适应目标域样本的数据分布.在凯斯西储大学轴承数据集和实验室轴承数据集上进行了迁移学习实验和轴承分类诊断,结果表明:在跨工况和跨型号的情况下,仅使用1％ 目标域训练集数据进行微调时,所使用的方法获得了92.25％ 的平均分类准确率.所提方法完成了小样本下的滚动轴承故障迁移诊断任务,对迁移学习理论在轴承故障诊断中的研究应用具有一定价值.