融合时频特征的多源无监督域自适应轴承故障诊断方法.docx
18****28
亲,该文档总共25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
融合时频特征的多源无监督域自适应轴承故障诊断方法.docx
融合时频特征的多源无监督域自适应轴承故障诊断方法1.内容简述本文档主要研究了融合时频特征的多源无监督域自适应轴承故障诊断方法。在轴承故障诊断领域,传统的方法往往依赖于专家经验或者有监督学习方法,这些方法在一定程度上限制了其在实际应用中的广泛推广。为了克服这一问题,本研究提出了一种基于时频特征的多源无监督域自适应轴承故障诊断方法。该方法首先从多个传感器采集到的数据中提取时频特征,然后利用这些特征进行故障诊断。通过对比分析不同传感器的数据,可以有效地提高诊断的准确性和鲁棒性。本方法还具有一定的自适应能力,可以
一种基于权重自适应特征融合的轴承故障诊断方法.pdf
本发明提供了一种基于权重自适应特征融合的轴承故障诊断方法,属于工业设备故障诊断的技术领域。该方法包括:S1、利用加速度传感器采集原始故障的一维时序性振动信号,数据归一化后对数据进行分割生成原始样本;S2、将原始样本进行时频分析,分析方法为快速傅里叶变换和连续小波变换,得到原始信号的频域数据和时频域数据;S3、构建双通道特征提取模型,得到故障的频域和时频域特征。S4、提出特征自适应加权算法,自适应地为频域和时频域特征匹配不同权重,并将加权后的特征进行融合分类;S5、分类层采用Softmax函数进行多种故障信
一种自适应复数域AMFM模型优化的轴承故障诊断方法.pdf
本发明公开了一种自适应复数域AMFM模型优化的轴承故障诊断方法,涉及轴承故障诊断技术领域,利用调幅调频模型对原始信号进行信号分解后得到调幅调频分量及其瞬时幅值和瞬时频率,计算瞬时幅值和瞬时频率的精细复合多尺度波动色散熵,将熵值构造为特征矩阵,使用向量加权平均算法对支持向量机模型进行优化,采用优化后的支持向量机模型对特征矩阵进行分类,根据分类结果实现故障诊断;本方法能够分解滚动轴承振动信号,合理处理轴承振动信号中的交叉频率,快速提取轴承振动信号分量的特征,进而有效分类不同的轴承故障,并且计算复杂度较小同时具
一种通过特征解耦实现无监督域自适应图像分类的方法.pdf
本发明公开了一种通过特征解耦实现无监督域自适应图像分类的方法,其步骤包括:1、对包含具有N个类别图像的数据进行图像预处理;2、构建基于互信息的特征解耦与域自适应网络模型;3、使用交替迭代优化的方式训练构建的网络模型;4、利用训练好的模型对待分类的图像进行预测,实现图像的分类识别。本发明能克服标注数据集耗时的问题以及跨域图像分类中域偏移造成的负面影响,从而实现跨域图片的准确分类。
基于无监督域自适应的目标3D姿态估计方法.pdf
本发明公开了一种基于无监督域自适应的目标3D姿态估计方法,包括如下步骤:S1,获取航空器三维模型,将合成图像及合成图像对应的姿态标签作为训练数据输入到主干网络中进行模型预训练,得到初始模型;S2,获取真实图像;S3,将真实图像输入初始模型;S4,基于合成图像对应的姿态标签、真实图像对应的伪姿态标签及混合图像对应的姿态标签统计计算得到多尺度姿态原型;S5,利用输入图像及输入图像对应的标签训练初始模型;S6,循环步骤S3‑S5,循环预设次数后,得到优化模型;S7,将真实图像输入至优化模型,得到姿态估计结果。本