结合改进ResNet与迁移学习的风力机滚动轴承故障诊断方法

doi:10.19912/j.0254-0096.tynxb.2022-0204

IR > 机电工程学院

	结合改进ResNet与迁移学习的风力机滚动轴承故障诊断方法
	雷春丽1,2 ; 薛林林 1; 焦孟萱 1; 张护强 1; 史佳硕 1
	2022-08-18
发表期刊	太阳能学报
ISSN	0254-0096
卷号	44 期号:06 页码:1-10
摘要	为解决实际应用中风力机滚动轴承故障训练样本严重不足的问题，提出一种基于改进残差神经网络与迁移学习的小样本滚动轴承故障诊断模型。首先，该模型将挤压与激励网络嵌入到一维残差神经网络中，增加了模型的特征提取能力；其次，使用源域数据对所搭建改进残差神经网络模型进行训练，确定结构和参数，并使用L2正则化和Dropout机制抑制过拟合；然后，引入迁移学习，冻结使用源域数据训练好的部分模型参数，使用少量目标域数据对模型的全连接层参数进行微调；最后对不同故障的样本进行分类。该方法在凯斯西储大学轴承数据集和本实验室轴承数据集上进行实验验证，实验结果表明：在不同实验条件下，所提方法与其他方法的计算结果进行比较，其均有更高的故障诊断准确度和更强的泛化能力。
关键词	风力机滚动轴承故障诊断迁移学习挤压与激励网络小样本
DOI	10.19912/j.0254-0096.tynxb.2022-0204
URL	查看原文
收录类别	北大核心 ; EI ; CSCD
语种	中文
资助项目	国家自然科学基金（51465035）;甘肃省自然科学基金（20JR5RA466）
出版者	Science Press
EI入藏号	20233614674459
EI主题词	Failure analysis
EI分类号	601.2 Machine Components ; 615.8 Wind Power (Before 1993, use code 611 )
中图分类号	TM315;TH133.33
原始文献类型	学术期刊
引用统计	无
文献类型	期刊论文
条目标识符	https://ir.lut.edu.cn/handle/2XXMBERH/159638
专题	机电工程学院
通讯作者	薛林林
作者单位	1.兰州理工大学机电工程学院; 2.兰州理工大学数字制造技术与应用省部共建教育部重点实验室
第一作者单位	机电工程学院; 兰州理工大学
通讯作者单位	机电工程学院
第一作者的第一单位	机电工程学院
推荐引用方式 GB/T 7714	雷春丽,薛林林,焦孟萱,等. 结合改进ResNet与迁移学习的风力机滚动轴承故障诊断方法[J]. 太阳能学报,2022,44(06):1-10.
APA	雷春丽,薛林林,焦孟萱,张护强,&史佳硕.(2022).结合改进ResNet与迁移学习的风力机滚动轴承故障诊断方法.太阳能学报,44(06),1-10.
MLA	雷春丽,et al."结合改进ResNet与迁移学习的风力机滚动轴承故障诊断方法".太阳能学报 44.06(2022):1-10.