首页|半监督TS网络模型在齿轮故障诊断中的应用

半监督TS网络模型在齿轮故障诊断中的应用

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
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.
Application of Semi-supervised Teacher-Student Network Model in Gear Fault Diagnosis
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%.

gear fault diagnosispseudo-label learninganti-noiseco-training

陈保家、阮宇豪、陈法法、肖文荣、李公法、陶波

展开 >

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

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

齿轮故障诊断 伪标签学习 抗噪性 协同训练

国家自然科学基金项目机械传动国家重点实验室开放基金项目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

51975324SKLMT-MSKFKT-2020202020KJX022021KJX022021KJX13MECOMF2021B04

2024

10.13433/j.cnki.1003-8728.20230012

机械科学与技术
西北工业大学

机械科学与技术

CSTPCD北大核心
影响因子：0.565
ISSN：1003-8728
年,卷(期)：2024.43(7)
  • 20