典型文献
基于多标签零样本学习的滚动轴承故障诊断
文献摘要：
近年来,数据驱动的方法在滚动轴承故障诊断领域发展迅速,但面对工程实际中没有历史记录的故障类型,仍存在故障特征学习不充分、误诊率高等不足.针对上述问题,提出了多标签零样本学习(multi-label zero-shot learning,MLZSL)故障诊断方法.首先,使用短时傅里叶变换(short-time Fourier transform,STFT)对可见类和未见类样本进行预处理,将得到的时频图像输入残差深度可分离卷积神经网络(residual depthwise separable convolutional neural network,RDSCNN)进行特征提取,再使用可见类故障特征训练属性学习网络,依靠属性学习网络预测未见类故障样本的属性向量,最终实现对未见类故障的诊断.设计了零样本条件下的故障诊断试验,结果表明MLZSL能将可见类故障属性迁移到未见类,并有效诊断未见类故障.
文献关键词：
零样本学习(ZSL);特征提取;多标签;属性学习器;滚动轴承
中图分类号：
作者姓名：
张永宏;邵凡;赵晓平;王丽华;吕凯扬;张中洋
作者机构：
南京信息工程大学 自动化学院,南京 210044;南京信息工程大学计算机与软件学院,南京 210044;南京信息工程大学 江苏省网络监控中心,南京 210044
文献出处：
引用格式：
[1]张永宏;邵凡;赵晓平;王丽华;吕凯扬;张中洋-.基于多标签零样本学习的滚动轴承故障诊断)[J].振动与冲击,2022(11):55-64,89
A类：
MLZSL,RDSCNN,属性学习器
B类：
多标签,零样本学习,滚动轴承故障诊断,工程实际,历史记录,故障类型,故障特征,特征学习,误诊率,multi,label,zero,shot,learning,故障诊断方法,短时傅里叶变换,short,Fourier,transform,STFT,时频图像,深度可分离卷积神经网络,residual,depthwise,separable,convolutional,neural,network,学习网络,属性向量,样本条件,诊断试验
AB值：
0.326081
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。
