典型文献
基于残差注意力机制和子领域自适应的时变转速下滚动轴承故障诊断
文献摘要：
针对强噪音、时变转速下滚动轴承振动信号数据特征分布不一致及待监测故障样本不含标签的问题,提出一种残差注意力机制和子领域自适应的无监督迁移学习滚动轴承故障诊断方法.首先,为充分发挥卷积神经网络(convolu-tional neural networks,CNN)的图像分类能力,将时变转速下采集到的一维时域故障振动信号采用连续小波变换(continuous wavelet transform,CWT)转换成二维灰度图,作为该研究模型的输入;其次,为更好提取源域与目标域的通用特征,特征提取器利用该研究提出的残差通道注意力弱共享网络模型,该模型采用了残差网络的跨层连接方式和通道注意力机制,并弱化了传统网络模型强共享条件;再次,为匹配源域与目标域的条件分布差异,网络自适应层选择局部最大均值差异(local maxi-mum mean discrepancy,LMMD)度量准则;最后,采用时变转速滚动轴承公开故障数据集进行试验验证与分析.结果表明,该研究提出的方法在强噪音、时变转速下平均识别精度达到93％以上,相比于传统CNN模型具有较好的泛化性、鲁棒性.
文献关键词：
故障诊断;无监督迁移学习;残差注意力弱共享;时变转速;强噪音
中图分类号：
作者姓名：
朱朋;董绍江;李洋;裴雪武;潘雪娇
作者机构：
重庆交通大学 机电与车辆工程学院,重庆 400074
文献出处：
引用格式：
[1]朱朋;董绍江;李洋;裴雪武;潘雪娇-.基于残差注意力机制和子领域自适应的时变转速下滚动轴承故障诊断)[J].振动与冲击,2022(22):293-300
A类：
强噪音,残差注意力弱共享
B类：
残差注意力机制,子领域自适应,时变转速,滚动轴承故障诊断,滚动轴承振动信号,号数,数据特征,特征分布,无监督迁移学习,故障诊断方法,convolu,tional,neural,networks,图像分类,故障振动,连续小波变换,continuous,wavelet,transform,CWT,转换成,二维灰度图,研究模型,源域,目标域,残差通道注意力,共享网络,残差网络,跨层连接,连接方式,通道注意力机制,条件分布,分布差异,网络自适应,最大均值差异,local,maxi,mum,mean,discrepancy,LMMD,度量准则,故障数据,识别精度,泛化性
AB值：
0.318586
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。
