基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
实现滚动轴承智能故障诊断需要大量标签数据,但机械设备实际运行中因轴承故障无法提前收集充足振动信号,导致滚动轴承故障模式难以判断.为解决该问题,提出一种有效利用少量样本数据实现领域自适应的迁移学习模型.首先,通过深度生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)实现少量振动信号的模拟式扩充,生成信号保留了真实信号完整的高频和低频特征;其次,通过对抗领域自适应网络(domain-adversarial neural networks,DANN)将源域与目标域特征投射到同一特征空间,实现多领域特征提取与适配;最后,通过智能诊断网络完成变工况下未知标签滚动轴承健康状态的识别.试验结果表明,所提方法在可用样本较少时能准确有效实现滚动轴承跨域故障诊断,准确率均优于其他迁移学习对比模型.
推荐文章
基于概率神经网络的滚动轴承故障诊断
PNN网络
BP神经网络
故障诊断
滚动轴承
滚动轴承故障诊断研究
滚动轴承
MATLAB软件
BP神经网络
故障诊断
基于混沌和符号序列统计的滚动轴承故障诊断
混沌振子
符号序列统计
滚动轴承
故障诊断
基于EEMD 和改进VPMCD 的滚动轴承故障诊断方法
改进VPMCD
EEMD方法
奇异值分解
滚动轴承
故障诊断
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于DCGAN和DANN网络的滚动轴承跨域故障诊断
来源期刊 振动与冲击 学科 工学
关键词 故障诊断 迁移学习 领域自适应 深度生成式对抗网络(DCGAN) 对抗领域自适应网络(DANN)
年,卷(期) 2022,(6) 所属期刊栏目
研究方向 页码范围 21-29
页数 9页 分类号 TH878|TG115.28
字数 语种 中文
DOI 10.13465/j.cnki.jvs.2022.06.004
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2022(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
故障诊断
迁移学习
领域自适应
深度生成式对抗网络(DCGAN)
对抗领域自适应网络(DANN)
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
振动与冲击
半月刊
1000-3835
31-1316/TU
大16开
上海市华山路1954号上海交通大学
4-349
1982
chi
出版文献量(篇)
12841
总下载数(次)
12
总被引数(次)
124504
相关基金
中国博士后科学基金
英文译名:China Postdoctoral Science Foundation
官方网址:http://www.chinapostdoctor.org.cn/index.asp
项目类型:
学科类型:
论文1v1指导