基于深度学习和迁移学习的液压泵健康评估方法

被引：23

作者：

刘志宇

黄亦翔

机构：

[1] 上海交通大学机械与动力工程学院

来源：

机械与电子 | 2018年 / 36卷 / 09期

关键词：

健康评估; 深度学习; 迁移学习; 卷积神经网络; 液压泵;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

140502 [人工智能];

摘要：

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间和地点的变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。

引用

页码：67 / 71

页数：5

共 5 条

[1]

基于深度学习的高速铣削刀具磨损状态预测方法 [J].

林杨 ;

高思煜 ;

刘同舜 ;

朱锟鹏 .

机械与电子, 2017, 35 (07) :12-17

[2]

基于DBN的故障特征提取及诊断方法研究 [J].

赵光权 ;

葛强强 ;

刘小勇 ;

彭喜元 .

仪器仪表学报, 2016, 37 (09) :1946-1953

[3]

基于PSO优化的RBF网络液压泵故障诊断研究 [J].

沈美杰 ;

赵龙章 ;

周兵 ;

周崇明 .

液压与气动, 2016, (05) :87-92

[4]

基于稀疏自动编码深度神经网络的感应电动机故障诊断 [J].

孙文珺 ;

邵思羽 ;

严如强 .

机械工程学报, 2016, 52 (09) :65-71

[5]

Fusion of transfer learning features and its application in image classification..Akilan T;Wu Q M J;Yang Y;et al;.2017 IEEE 30th Canadian Conference on Electrical and Computer Engineering (CCECE).2017,

← 1 →