典型文献
残差卷积自编码网络无监督迁移轴承故障诊断
文献摘要：
深度学习类轴承故障智能诊断研究中,一般会假设训练数据与测试数据同分布且典型故障样本充足,而实际工况复杂多变,难以获得大量标签数据.将残差学习引入卷积自编码,并结合迁移学习,提出了基于残差卷积自编码无监督域自适应迁移的故障诊断方法.堆叠一维卷积自编码进行特征提取,通过残差学习避免过拟合,提高学习效率;融合多层多核概率分布适配来约束网络学习域不变特征;实现了基于无监督域自适应迁移学习的故障诊断,并获得了较高准确率的识别结果.采用凯斯西储大学轴承数据集进行验证,结果证明了所提出方法的有效性,此外还对主要参数及其影响进行了探讨并给出了对比结果.
文献关键词：
轴承故障诊断;无监督学习;深度迁移;残差卷积自编码;域自适应
中图分类号：
作者姓名：
温江涛;张鹏程;孙洁娣;雷鸣
作者机构：
燕山大学电气工程学院,秦皇岛,066004;燕山大学信息科学与工程学院,秦皇岛,066004;燕山大学河北省信息传输与信号处理重点实验室,秦皇岛,066004
文献出处：
引用格式：
[1]温江涛;张鹏程;孙洁娣;雷鸣-.残差卷积自编码网络无监督迁移轴承故障诊断)[J].中国机械工程,2022(14):1707-1716
A类：
残差卷积自编码网络
B类：
轴承故障诊断,故障智能诊断,诊断研究,训练数据,测试数据,同分布,典型故障,实际工况,难以获得,标签数据,残差学习,迁移学习,无监督域自适应,故障诊断方法,堆叠,一维卷积,过拟合,学习效率,多核,概率分布,网络学习,不变特征,凯斯,轴承数据,主要参数,无监督学习,深度迁移
AB值：
0.252819
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。
