典型文献
一种用于跨域轴承故障诊断的深度自适应网络
文献摘要:
针对轴承在不同工况条件下的振动数据存在分布差异,导致诊断精度低的问题,提出一种新的深度自适应网络用于跨域条件下的轴承故障诊断.采用傅里叶变换将原始时域振动信号转换为频域信号并通过深度特征提取器提取其分类特征;利用最大均值差异(maximize mean discrepancy,MMD)来进行深度特征的边缘分布对齐;利用Wasserstein度量网络将源域中有标签数据的类别结构与目标域中无标签数据的类别结构进行匹配,即对齐不同域的类别条件分布,使得故障数据在不同域的分布能够更好的对齐,从而提高模型在目标域未标签数据集上的分类准确率.试验利用凯斯西储大学公开的故障轴承数据集进行了两种跨域条件的模型迁移,验证了该网络在不同迁移场景中都具有较高的准确率,且优于其他深度自适应网络.
文献关键词:
轴承故障诊断;跨域自适应;边缘分布;条件分布
中图分类号:
作者姓名:
夏懿;徐文学
作者机构:
安徽大学电气工程与自动化学院,合肥230601;安徽大学安徽省人机共融系统与智能装备工程试验室,合肥230601
文献出处:
引用格式:
[1]夏懿;徐文学-.一种用于跨域轴承故障诊断的深度自适应网络)[J].振动与冲击,2022(03):45-53,81
A类:
跨域自适应
B类:
轴承故障诊断,深度自适应,自适应网络,不同工况,工况条件,分布差异,傅里叶变换,振动信号,信号转换,频域信号,深度特征提取,分类特征,最大均值差异,maximize,mean,discrepancy,MMD,边缘分布,分布对齐,Wasserstein,源域,目标域,无标签数据,条件分布,故障数据,标签数据集,分类准确率,凯斯,轴承数据,模型迁移
AB值:
0.353413
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。