典型文献
深度对抗迁移学习的故障诊断方法研究
文献摘要：
针对实验室环境下容易获取大量有标签故障类型数据,而在实际工况条件下很难或无法获取大量带标签数据的问题,提出机械设备故障的深度对抗迁移诊断方法(MAAN).该方法将实验室环境中积累的故障诊断知识迁移应用于工程实际装备,通过融合时域与频域数据获取更全面的故障信息,在特征提取层利用残差网络深度提取故障特征,对抗层采用最大化域分类损失用于对齐源域与目标域的边缘分布和条件概率分布,最小化类别预测损失用于机械设备的故障分类实现无监督迁移学习.实验结果表明,此模型在无标签的目标数据集中有较高的分类精度,在一定条件下可以有效解决数据集缺少标签的难题,即实现机械故障诊断的智能诊断.
文献关键词：
迁移诊断;深度学习;对抗网络;无监督学习
中图分类号：
作者姓名：
岳帅旭;雷文平;薛阳;王前江;徐向阳
作者机构：
郑州大学 振动工程研究所,郑州 450001
文献出处：
引用格式：
[1]岳帅旭;雷文平;薛阳;王前江;徐向阳-.深度对抗迁移学习的故障诊断方法研究)[J].机械科学与技术,2022(03):342-348
A类：
MAAN
B类：
对抗迁移学习,故障诊断方法,实验室环境,故障类型,实际工况,工况条件,标签数据,机械设备故障,迁移诊断,知识迁移应用,工程实际,频域,数据获取,故障信息,残差网络,故障特征,对抗层,对齐,源域,目标域,边缘分布,条件概率分布,故障分类,无监督迁移学习,无标签,分类精度,机械故障诊断,智能诊断,对抗网络,无监督学习
AB值：
0.404887
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。
