典型文献
变工况下基于联合适配与对抗学习的滚动轴承故障诊断
文献摘要：
针对在一些假设条件下采用深度卷积神经网络进行变工况场景下基于深度学习模型的轴承故障诊断,其诊断性能会大大降低.本文提出了多尺度卷积联合适配对抗网络(Multi-scale convolu-tion joint adaptive countermeasure network,MSCJACN),即在MS-1DCNN模型中加入了迁移学习算法.通过特征提取模块提取通用特征,在特征提取器的最后两层全连接层上利用联合最大均值差异(Joint maximum mean difference,JMMD)对具体特征进行适配,同时在特征提取器后加域判别器,帮助网络提取域的不变特征.在12种迁移学习任务上进行消融实验,并与其他迁移学习算法进行对比实验,结果表明,MSCJACN在变工况故障诊断场景更具优势.
文献关键词：
故障诊断;变工况;对抗学习;迁移学习
中图分类号：
作者姓名：
王志超;徐江;刘维鸽;杨延西;史雯雯
作者机构：
中国重型机械研究院股份公司, 陕西 西安710018;西安理工大学自动化与信息工程学院, 陕西 西安710048
文献出处：
引用格式：
[1]王志超;徐江;刘维鸽;杨延西;史雯雯-.变工况下基于联合适配与对抗学习的滚动轴承故障诊断)[J].重型机械,2022(05):26-34
A类：
MSCJACN
B类：
对抗学习,滚动轴承故障诊断,深度卷积神经网络,深度学习模型,诊断性,大大降低,多尺度卷积,对抗网络,Multi,scale,convolu,tion,joint,adaptive,countermeasure,network,1DCNN,迁移学习,取模,两层,全连接层,最大均值差异,Joint,maximum,mean,difference,JMMD,具体特征,域判别器,不变特征,学习任务,消融实验,变工况故障诊断
AB值：
0.407338
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。
