基于深度迁移学习的车辆悬架高频异常振动故障诊断 |
| |
引用本文: | 牛礼民,胡超,万凌初,张代庆.基于深度迁移学习的车辆悬架高频异常振动故障诊断[J].重庆交通大学学报(自然科学版),2024(3):121-127. |
| |
作者姓名: | 牛礼民 胡超 万凌初 张代庆 |
| |
作者单位: | 安徽工业大学机械工程学院 |
| |
基金项目: | 教育部产学合作协同育人项目(202102095077); |
| |
摘 要: | 在车辆悬架故障诊断过程中,深度学习故障诊断模型在面对少量样本数据时模型训练效果不佳,导致诊断模型的接收者操作特性曲线(receiver operating characteristic, ROC)的曲线下面积(area under curve, AUC)较小的问题,利用经验模态分解(empirical mode decomposition, EMD)方法,对采集的车辆悬架高频振动信号进行分解处理,根据每个经验模态分量(intrinsic mode functions, IMF)的能量,提取高频异常振动故障特征,构建了基于深度迁移学习的诊断模型;以深度卷积神经网络算法为基础,对小样本特征矢量信息进行故障知识迁移处理,通过参数微调更新权值,优化故障诊断模型。实验结果表明:优化后模型的AUC值为0.89,模型故障诊断结果具有较高准确性。
|
关 键 词: | 车辆工程 悬架 故障诊断 深度迁移学习 卷积神经网络 经验模态分量 |
|
|