科研之友
微信
新浪微博
Facebook
分享链接
摘要
深度学习在常规的机械轴承故障分类研究中，应用已经较为广泛，取得的成绩也可圈可点。然而，在工程实际中，训练数据的缺乏使得模型难以达到理想效果，轴承种类和工况的不同也会对分类精度产生较大影响。从迁移学习和深度学习技术入手，筛选出泛化能力较强的Alexnet网络为基础模型，以预训练加参数微调的方法为主，通过数据增强、替换激活函数relu为elu、模型结构及超参数调优等方法，使得模型在小样本的前提下，对不同种类和工况的轴承故障诊断达到了较好的效果。结果表明，在样本数量控制在原数据总量1%的前提下，分类准确率从68.48%提升至84.40%,提升效果明显。
- 出版日期2023
