典型文献
基于属性描述的零样本滚动轴承故障诊断
文献摘要：
数据驱动方式是对故障诊断模型进行训练的主要方法,然而因为机器运转环境复杂,没有可用的目标故障样本供模型训练而导致特征学习不充分的情况时有发生.针对这一问题,结合零样本学习(zero-shot learning,ZSL)思想,从属性描述的角度出发,提出了一种基于Xception网络和卷积神经网络(convolutional neural networks,CNN)的零样本滚动轴承故障诊断方法,即X-CNN故障诊断模型.X-CNN模型首先使用Xception网络对故障信号时频图进行特征提取;根据故障类别的属性描述构建属性矩阵,使用CNN对提取的特征进行属性学习;最后通过属性矩阵的相似度比较完成诊断工作.通过零样本条件下的故障诊断试验,证明了 X-CNN故障诊断模型可以在不使用测试类样本进行训练的情况下完成滚动轴承故障诊断工作.
文献关键词：
零样本学习(ZSL);Xception;卷积神经网络(CNN);故障诊断;属性描述
中图分类号：
作者姓名：
赵晓平;吕凯扬;邵凡;张中洋
作者机构：
南京信息工程大学 计算机与软件学院,南京 210044;南京信息工程大学 江苏省网络监控中心,南京 210044;南京信息工程大学 自动化学院,南京 210044
文献出处：
引用格式：
[1]赵晓平;吕凯扬;邵凡;张中洋-.基于属性描述的零样本滚动轴承故障诊断)[J].振动与冲击,2022(15):105-115
A类：
B类：
属性描述,滚动轴承故障诊断,驱动方式,故障诊断模型,主要方法,转环,环境复杂,模型训练,特征学习,时有发生,零样本学习,zero,shot,learning,ZSL,从属性,Xception,convolutional,neural,networks,故障诊断方法,故障信号,时频图,过零,样本条件,诊断试验,不使用,下完
AB值：
0.290684
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。
