2023年第36卷第7期ElectronicSci.＆Tech./Jul.15，2023https://journal.xidian.edu.cn收稿日期:2022-01-05基金项目:国家自然科学基金(61903251)NationalNaturelScienceFoundationofChina(61903251)作者简介:欧敬逸(1996－)，女，硕士研究生。研究方向:工业过程故障诊断。田颖(1988－)，女，博士，副教授。研究方向:工业过程监控及故障诊断。基于迁移BN－CNN框架的小样本工业过程故障诊断欧敬逸，田颖，向鑫，宋启哲(上海理工大学光电信息与计算机工程学院，上海200093)摘要针对工业故障诊断过程中训练样本不足导致的诊断性能低下问题，文中以迁移学习和深度学习方法为基础，提出一种迁移BN－CNN(BatchNormalization－ConvolutionalNeuralNetwork)框架。为了减少网络对初始化方法的依赖，在卷积神经网络中引入批归一化层，对网络的隐藏层进行归一化处理。针对目标域标签数据不充足问题，通过基于样本的迁移学习方法扩充目标域的标记数据量，引入基于模型的迁移学习方法，通过充足的源域数据预训练BN－CNN网络，并利用数据量扩充后的目标域微调该网络部分参数，降低了少量样本训练深度神经网络的难度，得到了更适合目标域的故障诊断模型。采用TE工业数据集对该方法进行对比验证，实验结果表明，文中所提方法对于小样本工业过程故障具有较好的诊断性能，其平均精度值为0．804。关键词故障诊断;工业过程;卷积神经网络;批归一化;源域;目标域;微调;迁移学习中图分类号TP277文献标识码A文章编号1007－7820(2023)07－049－07doi:10.16180/j.cnki.issn1007－7820.2023.07.007FaultDiagnosisofFewShotIndustrialProcessBasedonTransferBN－CNNFrameworkOUJingyi，TIANYing，XIANGXin，SONGQizhe(SchoolofOptical－ElectricalandComputerEngineering，UniversityofShanghaiforScienceandTechnology，Shanghai200093，China)AbstractInviewoftheproblemofweakdiagnosisperformancecausedbyinsufficienttrainingsamplesinin-dustrialprocessfaultdiagnosis，atransferBN－CNNframeworkisproposedbasedontransferlearninganddeeplearninginthisstudy．Inordertoreducethedependenceofthenetworkontheinitializationmethod，abatchnormali-zationlayerisintroducedintotheconvolutionneuralnetworktonormalizethehiddenlayerofthemodel．Tosolvetheproblemofinsufficientlabeldatainthetargetdomain，thesample－basedtransferlearningmethodisusedtoexpandthelabe...
