典型文献
有限变工况特征迁移学习方法及其在高速列车轴箱轴承故障诊断中的应用
文献摘要：
以高速列车轴箱轴承为研究对象,提出了一种适用于有限数量变工况下的轴承故障诊断方法.该方法以有监督的学习模式构造自编码器,将不同工况下特征值集向参考工况下特征集做映射迁移,从而减弱由工况变化引起的轴承故障特征值改变的影响.再将迁移后的特征集输入由参考工况特征集预训练的基于卷积神经网络的故障诊断模型,实现变工况下轴承故障的诊断.凯斯西储大学轴承公开数据集和高速列车轴箱轴承数据集的试验结果表明,经监督式自编码器特征迁移后的轴承故障识别准确率有了较大提升,该方法能够较好的实现有限工况下的特征序列的迁移,解决工况变化带来的故障特征的畸变问题.
文献关键词：
轴箱轴承;监督式自编码器;变工况特征迁移;卷积神经网络;故障诊断
中图分类号：
作者姓名：
罗宏林;柏林;侯东明;彭畅
作者机构：
重庆大学机械传动国家重点实验室 重庆 400044;北京交通大学机械与电子控制工程学院 北京 100044;中车青岛四方机车车辆股份有限公司技术中心 青岛 266111
文献出处：
引用格式：
[1]罗宏林;柏林;侯东明;彭畅-.有限变工况特征迁移学习方法及其在高速列车轴箱轴承故障诊断中的应用)[J].仪器仪表学报,2022(03):132-145
A类：
变工况特征迁移,监督式自编码器
B类：
特征迁移学习,迁移学习方法,高速列车,列车轴箱轴承,轴承故障诊断,故障诊断方法,有监督,学习模式,不同工况,征集,工况变化,故障特征值,集输,预训练,故障诊断模型,凯斯,公开数据集,轴承数据,故障识别,识别准确率,特征序列,畸变
AB值：
0.198567
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
