由于滚动轴承实际工作环境恶劣,含标签故障样本数据严重缺乏,不足以建立准确的预测模型。支持矩阵机(support matrix machine,SMM)作为一种新的模式识别方法,可以获得良好的分类效果,但其仍对小样本分析具有局限性。基于此,提出一种迁...由于滚动轴承实际工作环境恶劣,含标签故障样本数据严重缺乏,不足以建立准确的预测模型。支持矩阵机(support matrix machine,SMM)作为一种新的模式识别方法,可以获得良好的分类效果,但其仍对小样本分析具有局限性。基于此,提出一种迁移最小二乘支持矩阵机(transfer least square support matrix machine,TLSSMM)分类方法。在TLSSMM分类过程中,利用源域样本训练得到近似目标域的预测模型,并通过目标域少量含标签样本微调源域的训练模型以更新得到新模型。同时,采用最小二乘损失来约束目标函数,使其由不等式转换为等式,只需求解一组线性方程即可获得结果,大大提升分类效率。选择两种不同的滚动轴承故障数据对所提方法进行验证,实验结果表明,TLSSMM方法具有优异的分类性能。展开更多
文摘由于滚动轴承实际工作环境恶劣,含标签故障样本数据严重缺乏,不足以建立准确的预测模型。支持矩阵机(support matrix machine,SMM)作为一种新的模式识别方法,可以获得良好的分类效果,但其仍对小样本分析具有局限性。基于此,提出一种迁移最小二乘支持矩阵机(transfer least square support matrix machine,TLSSMM)分类方法。在TLSSMM分类过程中,利用源域样本训练得到近似目标域的预测模型,并通过目标域少量含标签样本微调源域的训练模型以更新得到新模型。同时,采用最小二乘损失来约束目标函数,使其由不等式转换为等式,只需求解一组线性方程即可获得结果,大大提升分类效率。选择两种不同的滚动轴承故障数据对所提方法进行验证,实验结果表明,TLSSMM方法具有优异的分类性能。
