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 > 6. 信号处理与特征分析 > 特征与分类

关键词搜索：

标 题： A Cross Domain Feature Extraction Method based on Transfer Component Analysis for Rolling Bearing Fault Diagnosis
基于转移成分分析的跨域特征提取方法在滚动轴承故障诊断中的应用
作 者： Chen Chen
Zhiheng Li
Jun Yang
Bin Liang
关键词： Fault Diagnosis  [故障诊断]
Feature Extraction  [ 特征提取]
Cross Domain  [ 跨域]
Transfer Component Analysis  [ 转移成分分析]
出版年： 2017
会议名： 29th Chinese Control And Decision Conference (CCDC 2017)
第29届中国控制与决策会议（CCDC 2017）
届 次： 29th
摘 要： Feature extraction plays a significant role in the rolling bearing fault diagnosis. However, the complexity and variability of the actual working condition leads to the data unstable and fault characteristics unpredictable. Traditional machine learning methods won't work or have a poor performance under this circumstance. In this paper, we propose a cross domain feature extraction method based on the Transfer Component Analysis algorithm to solve the problem. Transfer Component Analysis, as a novel method in transfer learning field, is an efficient method for cross domain feature extraction problem. The performance of the proposed method is verified with experiments using the actual rolling bearing data.

特征提取在滚动轴承故障诊断中起着重要作用。然而，实际工作条件的复杂性和变化性导致数据不稳定，故障特征难以预测。在此情况下，传统的机器学习方法无法有效工作或性能较差。本文提出一种基于迁移成分分析算法的跨域特征提取方法来解决该问题。迁移成分分析作为迁移学习领域的一种新方法，是解决跨域特征提取问题的有效手段。所提方法的性能通过使用实际滚动轴承数据进行的实验得到了验证。
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