-
题名基于JMFAN网络的跨轴承故障诊断
- 1
-
-
作者
刘智宏
史丽萍
陈凯玄
陈瑞
韩丽
-
机构
中国矿业大学电气工程学院
-
出处
《振动与冲击》
EI
CSCD
北大核心
2024年第11期118-125,共8页
-
基金
国家自然科学基金(62076243)。
-
文摘
工业生产中使用的电机轴承类型多种多样,由于数据标注成本高昂,往往存在某种型号的轴承缺乏带标签数据。针对上述问题,提出了一种用于无监督学习的联合多尺度特征自适应网络(joint multi-scale feature adaptation network, JMFAN),使用联合最大均值差异算法度量不同领域之间的距离,通过最小化领域间联合概率分布实现跨轴承故障诊断。围绕不同型号轴承在不同工况下的故障展开迁移学习研究,并进行试验验证。结果表明,该方法相比于传统的无监督迁移学习方法,可以显著提高在不同轴承故障诊断中准确率和模型泛化能力,在凯斯西储大学轴承数据下八个不同迁移任务中平均准确率达到了99.06%。
-
关键词
迁移学习
无监督学习
领域自适应
跨轴承故障诊断
-
Keywords
transfer learning
unsupervised learning
domain adaptation
cross-bearing fault diagnosis
-
分类号
TH17
[机械工程—机械制造及自动化]
-
