来源：期刊VIP网 时间：
作者：谢锋云;董建坤;符羽;刘翊;肖乾;
单位：华东交通大学机电与车辆工程学院;国家先进轨道交通装备创新中心;
摘要：针对缺乏数据导致卷积神经网络(Convolutional neural networks,CNN)训练不佳的问题,以三相异步电机故障诊断为研究对象,提出了基于迁移学习和CNN结合的电机故障诊断方法。首先搭建了电机故障诊断实验平台,通过加速度传感器获取CNN模型带标签数据,通过训练获取预训练模型;然后结合迁移学习得到的预训练模型迁移到目标域,并通过对目标域的带标签数据进行训练以优化CNN参数;最终获得可以对目标域数据有着良好分类能力的新模型,从而实现目标域带标签数据稀少情况下的电机故障诊断工作。通过将该方法与传统CNN、变分模态分解(Variational modal decomposition,VMD)-支持向量机(Support vector machine,SVM)、VMD-K近邻(K nearest neighbor,KNN)以及VMD-BP神经网络等识别模型进行对比验证,结果显示本文提出的迁移CNN模型模式识别方法有更好的识别效果。
关键词：CNN;;迁移学习;;三相异步电机;;VMD;;故障诊断
基金资助：国家自然科学基金项目(52265068);; 江西省自然科学基金项目(20224BAB204050)
