开发了一种新的深度学习框架，以实现高精度的机器故障诊断，使用转移学习，以启用和加速训练的深度神经网络。与现有方法相比，该方法训练速度更快，精度更高。首先，通过进行小波变换，将原始传感器数据转换成图像以获得时间-频率分布。接下来，使用一个预训练的网络来提取较低层次的特征。标记的时频图像然后被用来微调更高水平的神经网络体系结构。本文建立了一个机械故障诊断流水线，并在三个主要的机械数据集（包括感应电机、齿轮箱和6000, 9000个尺寸的轴承和5000个时间样本）上验证了流水线的有效性和通用性。我们在每个数据集上都取得了最新的结果，大多数数据集的测试精度接近100%，在变速箱数据集上，我们从94.8%显著提高到99.64%。
为了识别和分类故障，安装了多个传感器来收集数据，如振动数据或热成像数据。
传统的机械故障诊断主要分为三个阶段：传感器信号采集、特征提取与选择、故障分类。传感器信号采集涉及在机器运行时收集传感器数据。传统的特征提取是通过时频分析来完成的，它包含了传感器原始数据的频域和时域。对于最终故障分类阶段，提取的特征用于训练机器学习模型以进行故障预测。然而，这些传统的故障诊断方法有很多相似之处：
1）传统的故障诊断方法是基于人工选择的特征。因此，如果这些手动选择的功能不足以完成任务，则故障分类性能会显著降低
2）手工制作的功能是针对不同分类任务的特定任务，这意味着在某些情况下用于准确预测的功能不适合其他场景。很难设计一套能够在所有条件下产生可靠预测的功能
当前缺陷：首先，由上述大多数论文实现的深度模型的隐藏层少于五层。尚未研究具有10个以上隐藏层的深层模型，也未评估其在机器故障诊断任务中的性能。然而，随着隐藏层的数量和大小的增加，自由参数的数量也随之增加，从头开始训练非常大的网络通常需要大量的标记数据和大量的计算和时间资源。除了参数优化之外，超参数调整（体系结构、学习率、辍学率等）极大地影响性能，而且非常耗时。
为了克服从头开始训练深层架构的困难，一种很有前途的方法是使用转移学习（transform learning），而不是完全训练具有随机初始化的神经网络，一个深度神经网络已经从不同应用程序中的充分标记数据中训练出来，并根据手头的任务进行调整。TL专注于利用从一个问题中获得的知识来解决一个不同但相关的问题。
卷积运算后，信号x（t）经族小波变换，投影到二维时间和尺度维数。这样，一维时间序列被转换成时频图像。
深度cnn能够从输入图像中自动学习层次特征，其中来自更高层次的特征比来自较低层次的特征更抽象。较低层卷积层提取边缘和曲线等适用于常见图像分类任务的低层特征，而较高层的操作可以学习更多针对不同应用领域的抽象表示。因此，可以传输较低级别的表示，并且只需要从新数据集学习较高级别的表示。更新较高隐藏层权重的过程称为微调，其成功部分取决于源数据集和目标数据集之间的“距离”。对于类似的数据集，只能微调完全连接的图层，而对于差异很大的数据集，需要更新几个卷积块。与从头开始的训练相比，这种方法更快，因为它本质上减少了需要训练的参数数量。
例如，在生物医学成像中，尽管自然图像和感兴趣的生物医学领域的图像之间通常存在相当大的差异，但是一些研究已经证明了将预处理模型应用于医学成像任务的有效性。受生物医学和其他领域的这些成就的启发，我们在此研究从自然图像到机械数据集的时频成像的知识转移
原文地址：https://www.cnblogs.com/beautifulchenxi/p/11621602.html