本文来自本人公众号:**
轴承故障诊断与寿命预测
**
迁移学习有人比做人工智能的最后一公里。
迁移学习的通俗解释为把一个已经解决一定问题的模型调整为解决近似问题的模型。
迁移学习的核心在于问题的相似性度量和调整,无论是数据迁移还是模型迁移等,核心在于问题之间的联系性,通过找到关联转移的方法,实现不同目的。比如轴承故障诊断过程中,可能工况具有差别,导致振动信号采集过程中的幅度具有不同,但本质的特征频率不会因为信号幅度的大小而改变,这就属于不同工况间的内在联系,通过抓住本质的过程,实现模型和方法解决不同的问题工况。
本文以一篇轴承迁移学习文献为例。
文献提出了基于在线式故障诊断方法,数据采用了短时傅立叶变换后的二维时频域数据,模型采用了两部分一部分采用经典浅层网络.LeNet5作为在线式诊断网络,离线网络采用浅层结构,根据获得的样本训练模型得到结构参数迁移至在线LeNet5网络中,实现配合式迁移诊断模型方法,整体结构为
实验过程的整体模型采用了4个离线诊断网络,即4种不同负载状态下的数据训练,得到的第一层卷积核迁移至在线结构共16个卷积尺度,第二层卷积核迁移至在线结构共
64个卷积结构,具体参数如下表
通过西储大学轴承数据实验与其他模型的对比验证了可行性和准确性。
文章提出的可进一步扩展的离线迁移在线的方式,总体具有一定的参考意义,可以作为进一步研究和改进的框架使用,解决当前实际工况和实验室工况迁移的问题。