用户名 密 码 登 录 忘记密码 免费注册

网站会员中心 | 设为首页 | 加入收藏

 您好，欢迎光临中国轴承行业网         退出登陆

会员中心 | 设为首页 | 加入收藏

协会

统计

国外文献 > 1.轴承 > 5. 监测与诊断 > 故障诊断

关键词搜索：

标 题： A Bearing Fault Diagnosis Method with Unsupervised Deep Adaptive Network
基于无监督深度自适应网络的轴承故障诊断方法
作 者： Qing Yang
Baocai Cui
Hui Xue
Dongsheng Wu
关键词： Fault diagnosis  [故障诊断]
Transfer learning  [ 迁移学习]
Aligned second order statistics  [ 对齐的二阶统计量]
Unsupervised deep adaptive  [ 无监督深度自适应]
出版年： 2021
会议名： 33rd Chinese Control and Decision Conference (CCDC 2021)
第33届中国控制与决策会议（CCDC 2021）
届 次： 33rd
摘 要： To improve the ability of the predictive model to generalize unlabeled data in fault diagnosis, an improved bearing fault diagnosis method with unsupervised deep adaptive network (UDAN) based on second-order statistics is presented. First, the motor vibration signal is transformed into a two-dimensional gray image to improve the extraction of transfer features. Then, the second-order statistics alignment of source domain and target domain is used to minimize the difference in domain distribution in the deep residual network. Finally, the combined loss function is constmcted to realize the end to end adaptive fault diagnosis. Compared to other methods of unsupervised learning, experimental results show that UDAN fault diagnosis method has better generalization ability.

为提升预测模型在故障诊断中对无标签数据的泛化能力，本文提出了一种基于二阶统计量的改进型轴承故障诊断方法——基于无监督深度自适应网络（UDAN）。首先，将电机振动信号转换为二维灰度图像，以增强转移特征的提取效果。其次，采用源域与目标域的二阶统计量对齐技术，以最小化深度残差网络中不同域分布之间的差异。最后，构建联合损失函数，实现端到端的自适应故障诊断。与其他无监督学习方法相比，实验结果表明，UDAN故障诊断方法具有更强的泛化能力。
中文内容为网络AI翻译，专业术语未必准确，仅供参考。

VIP网员

联系我们 | 登录注册 | 会员管理 | 网员服务 | 服务信息 | 广告服务 | 高薪聘请 | 法律声明 | 关于我们

京公网安备 11010202009788    京ICP备2021015424号