公开(公告)号：CN113723491B

公开(公告)日：2024-12-06

申请号：CN202110976619.6

申请日：2021-08-24

Applicant: 哈尔滨理工大学

Inventor： 王玉静 ,  孙嘉楠 ,  康守强 ,  王庆岩 ,  谢金宝 ,  兰朝凤

IPC: G06V10/774 ,  G06V10/764 ,  G06V10/82 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/084 ,  G06N3/096 ,  G06N3/0895

Abstract: 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法，涉及机械部件故障诊断技术领域，用以解决现有故障诊断模型由于没有考虑不同部件振动信号之间的差别或实际训练样本中含标签样本极少而导致旋转机械部件故障诊断率不佳的问题。本发明基于VGG‑16深度卷积网络训练故障诊断模型，首先提出引用SAdam梯度下降算法来优化源域的VGG‑16深度卷积网络以形成预训练模型，防止负迁移；然后将自监督与深度迁移学习结合，提出一种利用改进的SimCLR对比学习框架提升迁移后神经网络模型识别能力的方法，并更改SimCLR对比学习框架中投影头激活函数为Swish函数；进一步结合少量带标签训练样本进行微调共同训练获得故障诊断模型。本发明可应用于机械部件故障状态分类判断之中。

公开(公告)号：CN113723491A

公开(公告)日：2021-11-30

申请号：CN202110976619.6

申请日：2021-08-24

Applicant: 哈尔滨理工大学

Inventor： 王玉静 ,  孙嘉楠 ,  康守强 ,  王庆岩 ,  谢金宝 ,  兰朝凤

IPC: G06K9/62 ,  G06T7/00 ,  G06N3/04 ,  G06N3/08

Abstract: 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法，涉及机械部件故障诊断技术领域，用以解决现有故障诊断模型由于没有考虑不同部件振动信号之间的差别或实际训练样本中含标签样本极少而导致旋转机械部件故障诊断率不佳的问题。本发明基于VGG‑16深度卷积网络训练故障诊断模型，首先提出引用SAdam梯度下降算法来优化源域的VGG‑16深度卷积网络以形成预训练模型，防止负迁移；然后将自监督与深度迁移学习结合，提出一种利用改进的SimCLR对比学习框架提升迁移后神经网络模型识别能力的方法，并更改SimCLR对比学习框架中投影头激活函数为Swish函数；进一步结合少量带标签训练样本进行微调共同训练获得故障诊断模型。本发明可应用于机械部件故障状态分类判断之中。