典型文献
基于深度在线迁移的变负载下滚动轴承故障诊断方法
文献摘要：
针对变负载条件下滚动轴承源域与目标域中相同状态的数据特征分布差异性较大,目标域数据按照序列方式在线获取时,数据更新需重新训练模型的问题,提出一种深度在线迁移的CNN-ISVM(convolutional neural networks-incremental support vector machine)变负载下滚动轴承故障诊断方法.该方法运用短时傅里叶变换得到不同负载下滚动轴承振动信号的频谱图并构建数据集;使用源域数据建立CNN-ISVM预训练模型并保存模型参数;利用迁移学习将源域共享模型参数迁移至目标域CNN-ISVM模型训练过程中,快速建立分类模型;分类模型中的ISVM分类器在保留已学到知识的基础上,在线处理目标域新增数据,无需重新训练.经实验验证,所提出方法可实现数据按照序列方式采集的变负载下滚动轴承多状态在线分类,并具有较好的稳定性及较高的准确率.
文献关键词：
滚动轴承;迁移学习;在线学习;增量支持向量机;卷积神经网络;故障诊断
中图分类号：
作者姓名：
康守强;刘旺辉;王玉静;王庆岩;Mikulovich V I
作者机构：
哈尔滨理工大学电气与电子工程学院,哈尔滨150080;白俄罗斯国立大学,明斯克220030
文献出处：
引用格式：
[1]康守强;刘旺辉;王玉静;王庆岩;Mikulovich V I-.基于深度在线迁移的变负载下滚动轴承故障诊断方法)[J].控制与决策,2022(06):1521-1530
A类：
ISVM,增量支持向量机
B类：
在线迁移,变负载,滚动轴承故障诊断,故障诊断方法,源域,目标域,数据特征,特征分布,分布差异,数据更新,新训,convolutional,neural,networks,incremental,support,vector,machine,方法运用,短时傅里叶变换,不同负载,滚动轴承振动信号,频谱图,预训练模型,迁移学习,共享模型,参数迁移,移至,模型训练,训练过程,分类模型,分类器,学到,在线处理,多状态,在线分类,在线学习
AB值：
0.335688
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。
