典型文献
基于卷积神经网络的领域适配模型的多工况迁移的轴承故障诊断
文献摘要：
针对故障滚动轴承在单一工况数据下训练的深度学习模型无法在复杂工况下无法实现有效的故障诊断,提出一种基于卷积神经网络的领域适配(convolutional neural network-domain adaptation,CNN-DA)模型.卷积网络用于对故障振动信号进行高层特征提取,网络首尾加入通道注意力机制(channel attention mechanism,CAM),以动态分配特征通道的权重,减小无效信息的干扰.结合领域自适应方法,将特征提取层获取到的高层故障特征进行源、目标域领域适配,领域适配模块整合了全域适配和类别域适配,以使两个领域中相同故障标签的特征的数据分布逐渐趋于重合,最后将深度学习模型应用于多种不同工况迁移的场合进行训练,得到训练结果和测试结果.通过不同来源数据集的试验,在多种工况迁移下测试模型,结果表明提出的模型能够应对复杂工况变化下的滚动轴承故障检测.
文献关键词：
故障诊断;深度学习;卷枳神经网络的领域适配(CNN-DA);领域自适应
中图分类号：
作者姓名：
钱思宇;秦东晨;陈江义;袁峰
作者机构：
郑州大学机械与动力工程学院,郑州450001
文献出处：
引用格式：
[1]钱思宇;秦东晨;陈江义;袁峰-.基于卷积神经网络的领域适配模型的多工况迁移的轴承故障诊断)[J].振动与冲击,2022(24):192-200
A类：
B类：
领域适配,配模,多工况,工况迁移,轴承故障诊断,滚动轴承,工况数据,深度学习模型,复杂工况,convolutional,neural,network,domain,adaptation,DA,卷积网络,故障振动,振动信号,首尾,通道注意力机制,channel,attention,mechanism,CAM,动态分配,分配特征,合领,领域自适应,自适应方法,取到,故障特征,目标域,模块整合,数据分布,模型应用,多种不同,不同工况,不同来源,移下,测试模型,工况变化,故障检测
AB值：
0.349975
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。
