典型文献
基于子域自适应对抗网络的轴承故障诊断
文献摘要：
现有基于深度学习网络模型的故障诊断方法往往依赖大量有标签数据进行训练,在变工况条件下,模型的诊断精度会有所下降.针对此,为提高变工况条件下的故障诊断准确率,基于域自适应理论提出一种新颖的网络模型——子域自适应对抗网络.该网络模型不仅充分利用了动态卷积的特征提取能力,同时还借鉴了生成对抗网络的博弈思想,使特征生成器和分类器对抗学习,利用每个类别的决策边界对样本进行正确分类;此外,在对抗网络中引入局部最大平均差异,考虑每个类别的细粒度信息,以此来对齐源域和目标域相应的类空间,减小网络模型在决策边界附近的分类误差,从而提高模型对故障类别的识别精度.最终,通过两个数据集对所提出的方法进行试验验证,结果表明模型在变工况条件下具有较强的泛化性能与良好的故障识别精度.
文献关键词：
故障诊断;子域自适应;动态卷积;变工况
中图分类号：
作者姓名：
周华锋;程培源;邵思羽;赵玉伟
作者机构：
空军工程大学 防空反导学院,西安 710051
文献出处：
引用格式：
[1]周华锋;程培源;邵思羽;赵玉伟-.基于子域自适应对抗网络的轴承故障诊断)[J].振动与冲击,2022(11):114-122
A类：
B类：
子域自适应,轴承故障诊断,深度学习网络,故障诊断方法,标签数据,变工况,工况条件,故障诊断准确率,自适应理论,动态卷积,特征提取能力,生成对抗网络,特征生成,生成器,分类器,对抗学习,决策边界,正确分类,最大平均差异,细粒度信息,对齐,源域,目标域,类空,识别精度,泛化性能,故障识别
AB值：
0.313153
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。
