一种新联合损失函数优化的迁移学习神经网络磨粒识别研究

摘要

为了提高齿轮齿条在不同工作情况下磨损状况识别的准确度,考虑到大模数齿轮齿条实际有效故障数据缺乏和数据标记缺失的特点,提出基于一种新联合损失函数优化的迁移学习神经网络(LCNNE)对大模数齿轮齿条磨粒识别方法.将LCNNE模型作为特征提取器提取特征,利用外部分类器SVM进行分类,验证了该方法在磨粒数据集上识别率达到99％左右,并且该方法的集成模型提取的特征输入SVM分类的识别率比VGG19和GoogleNet提取的联合特征高2％～3％.利用t-SNE技术,对DCNN、VGG19、GoogleNet和LCNNE模型的最后一个隐含层的提取特征进行可视化,证明了 LCNNE模型的特征表达能力更强、识别效果更好.