一种深度对抗迁移学习的滚动轴承故障诊断方法.pdf
羽沫****魔王
亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种深度对抗迁移学习的滚动轴承故障诊断方法.pdf
本发明涉及一种深度对抗迁移学习的滚动轴承故障诊断方法,属于机械系统智能诊断领域。本发明采用深度对抗迁移学习的网络模型对滚动轴承故障进行诊断,该模型包括特征提取层、故障分类层、全局域对抗层和局部域对抗层。模型采用分类损失、全局域对抗损失和局部故障类对抗损失之和作为损失函数进行训练,确保在训练过程中通过带故障标签的源域数据实现目标域故障的准确分类。本发明能够在有效构建故障分类器的同时,通过域对抗和类别对抗学习保证其源域故障和目标域故障的共有特征属性处于同一分布上,进而减少源域与目标域的特征分布差异,提高了对滚
一种深度学习滚动轴承故障诊断方法及系统.pdf
本发明属于旋转机械技术领域,提供了一种深度学习滚动轴承故障诊断方法及系统。该方法包括,获取滚动轴承故障数据;对每段滚动轴承故障数据进行拓扑数据分析,以提取拓扑特征矩阵;对每段滚动轴承故障数据进行快速傅里叶变换并求其模值,以提取频域特征矩阵;采用卷积神经网络融合拓扑特征矩阵和频域特征矩阵,得到故障特征矩阵;基于故障特征矩阵,采用故障分类网络,得到故障分类结果。本发明可以提取到互补的故障特征并可以提高模型诊断精度,并且在强噪声背景下模型具有更强的鲁棒性。
一种基于流行保持迁移学习的滚动轴承故障诊断方法.pdf
本发明提出了一种基于流行保持迁移学习的滚动轴承故障诊断方法,结合局部线性空间判识(LFDA)和迁移成分分析(TCA),设计了保留局部流形结构的半监督迁移成分分析方法(TCAPLMS),在减少不同域数据集之间数据分布差异的同时,获取能够保留样本标签信息和状态特征信息的局部流形结构,此外提出基于故障敏感性和特征相关性的优选特征选择方法(PSFFC)嵌入到此框架中,以减少时频统计特征参数空间的冗余信息。本发明所提出的方法可以明显提高诊断准确性,且对实际工业场景具有强适应和泛化能力。
一种基于少标签数据特征迁移的滚动轴承故障诊断方法.pdf
一种基于少标签数据特征迁移的滚动轴承故障诊断方法,用以解决现有滚动轴承故障诊断模型的训练数据中由于源域数据和目标域数据分布差异大且源域数据缺少大量带标记数据而导致模型分类准确率不高的问题。本发明的技术要点包括:引入原型对比学习进行域适应,建立基于原型域适应的故障诊断模型;提出将Res2Net结构中增加CBAM注意力机制模块,并进一步更换特征提取网络的激活函数,提高深度网络对滚动轴承数据特征提取能力,最终实现少标记数据变负载情况下滚动轴承不同状态的诊断。本发明方法在滚动轴承变负载条件下具备较好的分类性能,可
基于域不变序列变换的滚动轴承故障诊断迁移学习方法.pdf
本发明公开了一种基于域不变序列变换的滚动轴承故障诊断迁移学习方法,首先利用HMM模型将原始仿真数据转换为状态观测序列,消除仿真数据与实际故障数据在幅值上的差异,保留关键的故障特征频率信息,以消除仿真数据与实际数据之间的分布差异,获取域不变的故障信息;然后,将状态观测序列输入GRU故障诊断模型中,利用GRU的长时间序列建模能力获取数据的时序相关性,从而提取判别性的故障特征,实现了对滚动轴承的故障诊断。