典型文献
基于无监督特征对齐的滚动轴承故障诊断
文献摘要：
针对不同转速环境下采集到的滚动轴承振动数据特征分布不一导致待诊断样本标签较难获取的问题,提出一种基于深度迁移网络的故障诊断方法.首先,搭建领域共享的特征提取网络,利用卷积神经网络(Convolutional Neural Network,CNN)提取振动信号中敏感故障特征,并结合双向长短时记忆(Bi-directional Long Short-Term Memory,BiLSTM)网络进一步提取敏感故障特征中的时间信息;然后,在深度迁移网络中分别嵌入CORAL损失和JMMD损失,通过最小化二阶统计量差异和联合分布最大均值差异值,缩小源域和目标域特征分布差异,进而提取到两域的共同特征;最后,添加Softmax分类层,实现对目标数据的故障状态识别.结果表明,该方法在目标域数据无标签的情况下,平均识别准确率为97.87％,明显高于目前流行的其它5种领域自适应故障诊断方法.
文献关键词：
特征分布;领域自适应;CORAL损失;JMMD损失
中图分类号：
作者姓名：
张韬;贾倩;辛月杰
作者机构：
三峡大学 电气与新能源学院, 宜昌443002
文献出处：
引用格式：
[1]张韬;贾倩;辛月杰-.基于无监督特征对齐的滚动轴承故障诊断)[J].机械强度,2022(03):547-553
A类：
B类：
无监督特征,特征对齐,滚动轴承故障诊断,不同转速,轴承振动,数据特征,特征分布,样本标签,深度迁移,故障诊断方法,特征提取网络,Convolutional,Neural,Network,振动信号,故障特征,双向长短时记忆,directional,Long,Short,Term,Memory,BiLSTM,时间信息,CORAL,JMMD,统计量,联合分布,最大均值差异,差异值,小源,源域,目标域,分布差异,取到,共同特征,Softmax,故障状态,状态识别,无标签,识别准确率,领域自适应
AB值：
0.467962
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。
