摘要
实际工程中行星齿轮箱受工况、运行情况等因素的影响,获取的数据难以满足训练和测试数据独立同分布且训练数据充足的条件,直接影响故障诊断效果.为此,提出一种深度置信网络(Deep Belief Network,DBN)迁移学习的行星齿轮箱故障诊断方法.首先,将辅助标记数据的原始信号频谱作为DBN网络的输入,逐层更新网络的权重和偏置值对输入信号进行分级表达,以获得其分布式特征表达,得到基于辅助标记样本的DBN预模型.再利用少量的目标标记样本微调DBN预模型的网络权重和偏置值,实现DBN网络的权重和偏置值从源域到目标域的迁移以适应新的目标样本识别,最终提高目标域样本故障识别准确率.通过行星齿轮箱故障模拟实验验证了所提方法的可行性和有效性.
基金项目
国家自然科学基金(51975079)
机械传动国家重点实验室开放基金(SKLMT-KFKT-201710)
重庆市教育委员会科学技术研究项目(KJQN201900721)
重庆市技术创新与应用示范项目(cstc2018jscx-msybX0012)
交通工程应用机器人重庆市工程实验室开放基金(CELTEAR-KFKT-202002)
重庆市留学人员回国创业创新支持计划创新项目(CX2018116)
重庆交通大学硕士研究生科研创新项目(2018S0138)
NETL
NSTL
维普
万方数据