典型文献
基于深度迁移学习的滑动轴承-转子故障诊断
文献摘要：
深度神经网络在滚动轴承故障诊断领域得到广泛应用,而将深度神经网络应用于滑动轴承-转子系统故障诊断的研究较少.其中大多数研究假设轴承故障的训练数据与测试数据分布相同,基于该训练数据得到的神经网络能较好地对轴承故障进行描述,但当轴承转子系统的结构和工况发生变化,原神经网络就不能对故障进行准确诊断.提出一种基于改进型联合分布差异(Improved Joint Distribution Discrepancy,IM-JDD)方法的深度卷积迁移学习框架(Deep Convolutional Transfer Learning Network,DCTLN),该框架采用二维振动图像作为网络输入,通过深度卷积神经网络提取图像的可迁移特征,提出的改进型联合分布差异方法实现了不同结构及工况下滑动轴承-转子系统故障特征的迁移学习.最后在结构不同的滑动轴承-转子实验台上进行测试,结果表明,本框架在不同工况下和不同机器间对无标记故障样本具有较强的诊断能力,并优于其他竞争方法.
文献关键词：
故障诊断;卷积神经网络;改进型联合分布差异;振动图像;滑动轴承-转子系统
中图分类号：
作者姓名：
朱琰;黄敏;王小静;郑成东
作者机构：
上海大学 机电工程与自动化学院,上海 200444;上海船舶设备研究所,上海 200031
文献出处：
引用格式：
[1]朱琰;黄敏;王小静;郑成东-.基于深度迁移学习的滑动轴承-转子故障诊断)[J].噪声与振动控制,2022(04):107-114
A类：
改进型联合分布差异,JDD,DCTLN
B类：
深度迁移学习,滑动轴承,转子故障,深度神经网络,滚动轴承故障诊断,网络应用,转子系统,系统故障,训练数据,测试数据,数据分布,承转,原神,Improved,Joint,Distribution,Discrepancy,IM,Deep,Convolutional,Transfer,Learning,Network,二维振动,振动图像,深度卷积神经网络,可迁移,迁移特征,故障特征,子实,实验台,不同工况,机器间,无标记,诊断能力
AB值：
0.306608
相似文献
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。
