Highly-Accurate Machine Fault Diagnosis Using Deep Transfer Learning
Main contributions
-
基于已有的CNN网络建立新的故障检测框架，底层CNN参数使用pre-trained参数，高层参数和整个框架参数使用部分目标数据fine-tune，网络结构超过十层，快速准确。
-
在三个不同数据集上的表现均优于现有结果：Induction Motor Dataset，Bearings Dataset，Gearbox dataset。
Methods
Time-frequency Imaging
为了使用已有的CNN网络，使用Time-frequency Imaging技术将时间序列数据转换成时频域，通常有Short Time Fourier Transform (STFT), Continuous Wavelet Transform (CWT), Wigner-Ville distribution等方法，在这里采用了CWT，目的是将一维时序信号变为二维，以符合CNN网络的输入。
Transfer Learning and Fine-tuning Strategy
对于将要使用的深层次网络来说，低层次的表达是可以直接迁移的，即使用已训练好的参数，具体在第几层进行fine-tune，视两个数据集的相似性而定。
MACHINE FAULT DIAGNOSIS USING DEEP TRANSFER LEARNING
本文使用VGG-16预训练模型，16层。本文fine-tune了最后三层卷积层和全连接层，结构如下：
Experimental verification
Induction Motor Dataset
6种Motor condition，其中每个类别1000做训练，100做测试：
测试结果，从零训练了一个三层CNN网络用来作对比，本文提出模型训练时间短，准确率高：
Bearings Dataset
振动数据信号的收集依据轴承载荷有4种不同的工况（load 0, 1, 2, and 3 hp），每种工况下，有三种故障类型，the rolling element, the inner raceway, and the outer bearings raceway，每种故障类型共3种故障程度（0.007 inches, 0.014 inches, and 0.021 inches），故障共9类。6组实验，前四组实验训练集每类500，共5000，测试集相同，第五组实验，每列100,4中故障程度，共4000；第六组实验每类100，三种程度共3000：
- Training data and testing data are both from vibration signals under working load of 0 hp.
- Training data and testing data are both from vibration signals under working load of 1 hp.
- Training data and testing data are both from vibration signals under working load of 2 hp.
- Training data and testing data are both from vibration signals under working load of 3 hp.
- Training data and testing data are both from vibration signals under working loads of 0-3 hp with balanced samples.
- Training data come from vibration signals under working loads 0-2 horse hp while testing data are from working load of 3 hp.
Gearbox dataset
5分类问题，四种故障和健康状态：
训练集每类1000，共5000，测试集相同，预测结果准确率和训练时间：
