10.3778/j.issn.1002-8331.2203-0550
知识蒸馏与迁移学习的轴承故障诊断应用研究
针对工业现场工况复杂多变,易造成样本缺失或不平衡,导致模型诊断准确率低等问题.提出改进知识蒸馏与迁移学习的轴承故障诊断方法.教师-学生模型分别采用稠密卷积神经网络和人工神经网络,自适应随机提取源域样本和目标域样本的关键特征信息;获取对应领域的软标签损失和硬标签损失,引入分层迁移学习改善领域样本的条件分布差异,获取最终蒸馏损失函数,并将蒸馏后的"暗知识"反馈更新学生模型;利用目标域测试样本实现智能体的半监督故障迁移决策.实验结果表明,学生模型能够从教师模型学习到各项性能,提升简单模型的诊断精度,相较于其他方法,该方法具备较优异的准确性和鲁棒性.
轴承、知识蒸馏、迁移学习、故障诊断
59
TP183(自动化基础理论)
云南省重大科技专项计划;国家自然科学基金
2023-07-18(万方平台首次上网日期,不代表论文的发表时间)
共9页
289-297