半监督TS网络模型在齿轮故障诊断中的应用
Application of Semi-supervised Teacher-Student Network Model in Gear Fault Diagnosis
陈保家 1阮宇豪 2陈法法 1肖文荣 2李公法 3陶波3
作者信息
- 1. 三峡大学 水电机械设备设计与维护湖北省重点实验室,湖北宜昌 443002;重庆大学 机械传动国家重点实验室,重庆 400030
- 2. 三峡大学 水电机械设备设计与维护湖北省重点实验室,湖北宜昌 443002
- 3. 武汉科技大学 冶金装备及其控制教育部重点实验室,武汉 430081
- 折叠
摘要
为解决在工业大数据条件下,有标签样本少导致机械故障诊断准确率低的问题,提出了一种半监督神经网络模型.该方法采用协同训练的方式,从时域和频域两个维度训练教师网络(T),将无标签数据转化为高质量的伪标签数据.再利用转化后的伪标签数据训练学生网络(S),通过对数据进行评判和计分,避免网络过拟合.最后通过得分函数,对伪标签数据进行阶梯筛选成为有标签数据.齿轮故障诊断结果表明:TS 网络在仅有少量有标签数据的情况下,故障分类准确率达90.31%,与其他半监督方法相比,准确率高出15%～20%.在信噪比(SNR)为5、0、-5 的条件下,模型可以达到86.81%、78.00%、52.78%的诊断准确率.
Abstract
In practical industrial applications,the fault diagnosis accuracy of mechanical equipment is low due to the small amount of labeled data.A TS neural network model based on semi-supervised learning strategy is proposed to solve this problem.Firstly,the teacher network(T)is trained by co-training from both the time domain and frequency domain,then it is used to convert unlabeled data into high-quality pseudo-labeled data.Secondly,the pseudo-labeled data is used to train the student network(S)and avoid network overfitting by judging and scoring the data.Finally,the pseudo-label data is filtered into the labeled data through the scoring function.The results of gear fault diagnosis show that the TS network has a fault classification accuracy of 90.31%,which is 15%-20%higher than other semi-supervised methods.Under the condition of SNR of 5,0 and-5,the model can achieve diagnostic accuracy of 86.81%,78.00%and 52.78%.
关键词
齿轮故障诊断/伪标签学习/抗噪性/协同训练Key words
gear fault diagnosis/pseudo-label learning/anti-noise/co-training引用本文复制引用
基金项目
国家自然科学基金项目(51975324)
机械传动国家重点实验室开放基金项目(SKLMT-MSKFKT-202020)
水电机械设备设计与维护湖北省重点实验室(三峡大学)开放基金项目(2020KJX02)
水电机械设备设计与维护湖北省重点实验室(三峡大学)开放基金项目(2021KJX02)
水电机械设备设计与维护湖北省重点实验室(三峡大学)开放基金项目(2021KJX13)
武汉科技大学冶金装备及其控制教育部重点实验室开放基金项目(MECOMF2021B04)
出版年
2024
国家科技期刊平台
NSTL
万方数据