来源：期刊VIP网 时间：
作者：杨涛;宋丹丹;程辉;
单位：河南交通职业技术学院汽车学院;长沙理工大学汽车与机械工程学院;郑州宇通客车股份有限公司;
摘要：为了弥补卷积神经网络(convolutional neural network, CNN)信号容易出现过拟合问题，设计了一种深度主动学习(deep active learning, DAL)改进CNN方法，并成功应用于齿轮箱故障诊断领域。深度主动学习能够将两种方法的优势结合起来，使模型拥有更强的自主学习能力。研究结果表明：完成15次训练后，边缘抽样、深度学习、深度主动学习、随机抽样分别达到75.84%、99.5%、99.79%和93.25%准确率，表明该方法可以有效地过滤出较难鉴别样品。与小波变换相比，傅里叶变换检索精度达到更高97.1%,具有较好稳定性。最大池化正确率达到97.8%,高于均值池化的95.6%。相比较Adam处理器，SGDM处理器在训练集中表现的处理性能略微好一些。该研究可拓宽到其它的机械传动领域，具有很高的应用价值。
关键词：齿轮箱;;故障诊断;;卷积神经网络;;深度主动学习
基金资助：河南省高等学校重点科研项目(24B480005);; 河南省高等职业学校青年骨干教师培养计划资助项目(2019GZGG034);; 河南省高等教育教学改革研究与实践项目(2021SJGLX830)
