摘要
为解决海水泵工况多变、故障数据少、振动特征提取困难等故障诊断问题,该研究利用一维卷积神经网络(one-dimensional convolutional neural network,1DCNN)强大的表征能力自动学习故障特征,并引入参数迁移将源域数据集上的模型参数迁移到目标域故障分类识别任务.首先,构建1DCNN基模型,运用Dropout、正则化、学习率等深度训练技巧防止模型过拟合,在源域数据集上训练得到模型参数;然后,将其模型参数迁移到目标域故障诊断模型,并进行参数微调,构建1DCNN参数迁移模型进行故障识别.试验结果表明,与传统1DCNN相比,1DCNN参数迁移模型能够显著提高模型的收敛速度和分类性能.该方法在三个变工况海水泵数据集上的平均识别准确率高达95.93％,具有较高的识别准确率和较强的泛化能力.
NETL
NSTL
维普
万方数据