典型文献
基于多源域深度迁移学习的机械故障诊断
文献摘要：
针对不同工况下的机械故障诊断问题,迁移学习方法相比于深度学习具有明显的成效,单源域迁移故障诊断仍会出现负迁移和模型泛化能力差的问题.因此,本文提出一种基于多源域深度迁移学习的机械故障诊断方法.首先,进行锚适配器的构建,获得多源域-目标域适配器数据对.其次,建立基于深度域适应的迁移学习网络模型获得每个数据对的分类器与预测结果.最后,采用加权集成的方式进行分类器集成,用于最终的故障诊断识别.所提方法充分集成多源域故障特征信息,提取域不变特征,避免负迁移的问题,提高模型的泛化能力.通过一个滚动轴承数据来验证提出方法的性能,结果表明,多工况迁移故障诊断分类精度明显高于其中任意单一工况迁移,最高可提高8.78％,与其他方法相比,所提方法具有较好的精度和泛化能力.
文献关键词：
故障诊断;多源域迁移学习;锚适配器集成;深度神经网络
中图分类号：
作者姓名：
杨胜康;孔宪光;王奇斌;程涵;李中权
作者机构：
西安电子科技大学机电工程学院,西安 710071;上海杭和智能科技有限公司,上海 201111
文献出处：
引用格式：
[1]杨胜康;孔宪光;王奇斌;程涵;李中权-.基于多源域深度迁移学习的机械故障诊断)[J].振动与冲击,2022(09):32-40
A类：
多源域深度迁移学习,锚适配器集成
B类：
机械故障诊断,不同工况,诊断问题,迁移学习方法,负迁移,模型泛化,泛化能力,故障诊断方法,目标域,域适配,深度域适应,学习网络,加权集成,分类器集成,诊断识别,分集,故障特征,特征信息,不变特征,滚动轴承,轴承数据,多工况,工况迁移,故障诊断分类,分类精度,其他方法,多源域迁移学习,深度神经网络
AB值：
0.28272
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。
