用于轴承故障诊断的智能基于状态监测技术
机器学习
2020-08-27 v3 机器学习
摘要
近年来，旋转机械系统的智能基于状态监测已成为机器故障诊断的主要研究焦点。在基于状态监测中，由于数据采集昂贵和标注成本高，构建大规模良好标注数据集具有挑战性。所生成的数据具有大量冗余特征，降低了机器学习模型的性能。为克服此问题，我们利用了最小冗余最大相关（mRMR）与深度学习模型结合迁移学习的优势。在这项工作中，mRMR 与深度学习和深度迁移学习框架相结合，以提升故障诊断性能在准确率和计算复杂度方面的表现。mRMR 减少了数据中的冗余信息并提升了深度学习性能，而迁移学习减少了对训练模型的大量数据依赖。在所提工作中，两种框架即 mRMR 结合深度学习和 mRMR 结合深度迁移学习被探索并在 CWRU 和 IMS 滚动轴承数据集上验证。分析表明，所提框架相比现有方法能获得更好的诊断准确率，并能更快速地处理具有大量特征的数据。
引用
@article{arxiv.1912.11235,
title = {Intelligent Condition Based Monitoring Techniques for Bearing Fault Diagnosis},
author = {Vikas Singh and Nishchal K. Verma},
journal= {arXiv preprint arXiv:1912.11235},
year = {2020}
}