典型文献
无监督深度迁移学习的齿轮箱故障诊断
文献摘要：
针对实际工程中目标样本通常无标签,而人工标记耗时耗力甚至无法实现造成诊断困难的问题,提出一种基于无监督多模态迁移学习诊断方法(unsupervised deep multimodal adaptive network,UDMAN).首先,将完备丰富的实验数据作为源域,将其时域和频域特征进行多模态信息融合以提取更全面的故障信息特征;其次,预训练深度迁移模型,共享模型的网络结构和参数;将缺乏标签样本的数据作为目标域,同时适配源域和率分布和条件概率分布以缩小两域之间的差异;最后,通过多次迭代优化迁移模型以实现跨域诊断.通过实验和对比分析,表明该方法可有效解决目标域无标签的难题,验证了该方法在齿轮箱无监督迁移诊断问题上的优越性.
文献关键词：
无监督学习;多模态;域自适应;迁移学习;故障诊断
中图分类号：
作者姓名：
高丽鹏;雷文平;张润;马洋洋
作者机构：
郑州大学机械与动力工程学院,郑州 450001;郑州恩普特科技股份有限公司,郑州 450001
文献出处：
引用格式：
[1]高丽鹏;雷文平;张润;马洋洋-.无监督深度迁移学习的齿轮箱故障诊断)[J].组合机床与自动化加工技术,2022(09):68-71
A类：
UDMAN
B类：
深度迁移学习,齿轮箱故障诊断,针对实际,无标签,人工标记,耗力,模态迁移,学习诊断,unsupervised,deep,multimodal,adaptive,network,源域,频域特征,多模态信息融合,故障信息,信息特征,预训练,迁移模型,共享模型,目标域,条件概率分布,多次迭代,迭代优化,跨域,迁移诊断,诊断问题,无监督学习,域自适应
AB值：
0.428617
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。
