典型文献
基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法
文献摘要：
针对滚动轴承故障诊断在工程实际中故障数据稀缺的问题,提出一种基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法.首先利用典型故障信息丰富、标记样本充足的滚动轴承数据构建多源域数据集,使用不同源域的数据对源域特征提取器与分类器进行预训练;然后利用基于动态时间规整的shapelets学习算法提取源域与 目标域的shapelets作为判别结构,通过度量判别结构优化源域数据,对源域网络进行微调以得到诊断模型;最后根据每个源域与 目标域的shapelets之间的差异,利用 自适应域权重对各分类器的结果进行聚合得出诊断结果.实验结果表明,该方法在小样本与强噪声的情况下具有较高的故障诊断准确率.
文献关键词：
滚动轴承;故障诊断;shapelets时间序列;多源迁移学习
中图分类号：
作者姓名：
李可;燕晗;顾杰斐;宿磊;苏文胜;薛志钢
作者机构：
江南大学江苏省食品先进制造装备技术重点实验室,无锡,214122;江南大学机械工程学院,无锡,214122;江苏省特种设备安全检验监督研究院无锡分院,无锡,214071
文献出处：
引用格式：
[1]李可;燕晗;顾杰斐;宿磊;苏文胜;薛志钢-.基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法)[J].中国机械工程,2022(24):2990-2996,3006
A类：
多源迁移学习
B类：
shapelets,滚动轴承故障诊断,故障诊断方法,工程实际,故障数据,稀缺,用典,典型故障,故障信息,标记样本,轴承数据,多源域,不同源,分类器,预训练,动态时间规整,目标域,微调,诊断模型,出诊,诊断结果,小样本,强噪声,故障诊断准确率
AB值：
0.253305
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。
