基于深度卷积神经网络迁移学习的无预处理小数据集齿轮故障诊断
神经与进化计算
2018-10-30 v1
摘要
复杂机械系统（如齿轮箱）的早期故障诊断一直是一项巨大挑战，即使深度神经网络近期有所发展。经典故障诊断系统的性能主要取决于提取的特征和随后应用的分类器。尽管在特征提取技术方面已做出大量尝试，这些方法需要大量人工参与，严重依赖领域专业知识，因此可能不具代表性且因应用而异存在偏差。另一方面，虽然基于深度神经网络的方法具有自适应特征提取和固有分类能力，它们通常需要大量训练数据，从而阻碍了它们在训练数据有限（如齿轮箱故障诊断）的工程应用中的使用。本文开发了一种基于深度卷积神经网络的迁移学习方法，不仅支持无预处理的自适应特征提取，而且仅需要一小部分训练数据。所提方法使用无预处理的原始加速度计数据进行齿轮故障诊断，并使用了不同大小的训练数据进行了实验。通过将性能与局部训练卷积神经网络和基于角频分析的支持向量机等其他方法进行比较，揭示了所提方法的优越性。所实现的精度表明，所提方法不仅可行且鲁棒，而且有潜力轻易应用于其他故障诊断实践。
引用
@article{arxiv.1710.08904,
title = {Pre-Processing-Free Gear Fault Diagnosis Using Small Datasets with Deep Convolutional Neural Network-Based Transfer Learning},
author = {Pei Cao and Shengli Zhang and Jiong Tang},
journal= {arXiv preprint arXiv:1710.08904},
year = {2018}
}