CN113884300A - 一种深度对抗迁移学习的滚动轴承故障诊断方法 - Google Patents
一种深度对抗迁移学习的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113884300A CN113884300A CN202111123632.3A CN202111123632A CN113884300A CN 113884300 A CN113884300 A CN 113884300A CN 202111123632 A CN202111123632 A CN 202111123632A CN 113884300 A CN113884300 A CN 113884300A
- Authority
- CN
- China
- Prior art keywords
- fault
- loss
- layer
- countermeasure
- rolling bearing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
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,提高了对滚动轴承的故障分类的准确率。
Description
技术领域
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。
背景技术
随着机械设备自动化和智能水平的提高以及生产规模的扩大,传感器监测机械设备运行状态的数据量呈爆炸性增长,工业大数据环境下的故障诊断已成为一种趋势。滚动轴承作为机械设备中的关键基础件,广泛应用于各个领域。它的健康状态与整机的工作性能密切相关,保障滚动轴承的安全运行对于企业生产能力和安全保障意义重大。滚动轴承通常在复杂多变的工况条件下运行,如何准确、快速地进行滚动轴承故障诊断是一个亟待解决的重要问题。传统的智能诊断技术主要由“人工提取特征+人工选择特征+分类器模式识别”三部分组成,诊断性能在很大程度上依赖于人工提取特征。随着工业水平的不断发展,设备监测传感器和监测数据的日益增加,使机械设备的诊断进入“大数据时代”。大数据为全面掌握装备的健康运行状态提供更多的信息的同时也给故障诊断也带来了新的挑战:主要体现在:1)数据种类与数量繁多,有经验的专业分析人员严重不足;2)数据类型、种类复杂多样化,数据来自不同的条件导致数据特征难挖掘,诊断的难度变大。
在此背景下,深度学习作为滚动轴承智能诊断领域的一个新的突破,它能够从原始信号中自适应的提取有价值的特征,摆脱人为特征提取和选择的依赖,实现诊断模型的自学习。然而,深度学习在故障诊断领域研究和应用尚处于早期阶段,尤其在滚动轴承故障诊断方面也主要集中于实验室数据的学习和诊断识别方面,离实际的工程应用还有较大的差距。主要面临的问题是:1)在深度学习故障诊断中,如何依据滚动轴承故障的独特性合理选择网络模型;2)深度学习的条件是学习样本充足且有标签,即同一装备在各种工况下获取足够可用的故障类型数据,然而工程实际装备的数据特点是无标签数据量大,样本类型单一,难易满足模型训练的基本要求。因此,如何将实验室已获取的故障诊断知识迁移应用于工程实际问题是一个急需解决的问题。
综上,基于深度学习的滚动轴承故障诊断虽然意义重大,但同时也面临着巨大挑战。一方面要解决工程现场滚动轴承复杂故障特征的深度提取问题和故障数据集缺少的问题;另一方面要解决深度诊断模型的知识迁移等问题,才能真正实现基于大数据的滚动轴承智能诊断的工程应用。
发明内容
本发明的目的是提供一种深度对抗迁移学习的滚动轴承故障诊断方法,以解决目前实际工程现场场滚动轴承故障诊断准确率低的问题。
本发明为解决上述技术问题而提供一种深度对抗迁移学习的滚动轴承故障诊断方法,该方法包括以下步骤:
1)获取未知故障类别的滚动轴承振动数据,并将该滚动轴承振动数据作为目标域样本;
2)将目标域样本和源域样本输入到深度对抗迁移学习网络中,所述的源域样本为实验环境中滚动轴承在各故障状态下振动数据及其对应的故障类别标签;
所述的深度对抗迁移学习网络包括特征提取层、故障分类层、全局域对抗层和局部域对抗层;所述特征提取层用于对目标域样本和源域样本进行特征提取,得到目标域特征数据和源域特征数据;所述的故障分类层对源域特征数据进行预测分类,得到其相应的标签分类损失;所述的全局域对抗层用于对源域特征数据和目标域特征数据进行对抗训练,得到相应的全局域损失;局部域对抗层用于针对滚动轴承每一种故障情况下进行对源域特征数据和目标域特征数据对抗训练,得到相应的局部域类别对抗损失;
以标签分类损失、全局域损失和局部域类别对抗损失之和作为总损失对所述深度对抗迁移学习网络进行训练,利用训练后的深度对抗迁移学习网络对目标域的故障诊断。
本发明采用深度对抗迁移学习网络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。该模型采用分类损失、全局域对抗损失和局部故障类对抗损失之和进行训练,确保在训练过程中通过故障标签的源域数据实现故障的准确分类。
进一步地,为了方便特征提取,所述的特征提取层采用ResNet网络。
进一步地,所述标签分类损失采用的损失函数为:
进一步地,所述全局域损失采用的损失函数为:
其中Lg表示全局分类损失,di表示输入样本的域标签,ns,nt分别表示源域和目标域样本个数。
进一步地,局部域类别对抗损失采用的损失函数为:
进一步地,深度对抗迁移学习网络采用的总损失函数为:
L=Ly+αLg+βLl
L为总损失;Ly为标签分类损失;Lg表示全局分类损失;Ll表示局部域类别对抗损失;α、β为权重平衡参数。
进一步地,所述的故障分类层采用单层全连接网络,使用Softmax激活函数。
进一步地,所述局域对抗层和局部域对抗层均采用三个全连接层,相邻两个全连接层之间设置有Relu层和Dropout层。
附图说明
图1是本发明所采用深度对抗迁移学习网络结构示意图;
图2是实验例中采用TCA提取特征t-SNE降维分布图;
图3是实验例中采用DDC提取特征t-SNE降维分布图;
图4是实验例中采用DAN提取特征t-SNE降维分布图;
图5是实验例中采用本发明诊断方法提取特征t-SNE降维分布图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步地说明。
本发明采用深度对抗迁移学习网络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。该模型采用分类损失、全局域对抗损失和局部故障类对抗损失之和进行训练,确保在训练过程中通过故障标签的源域数据实现故障的准确分类。本发明能够在有效提取其本身故障类型的同时,保证其源域和目标域故障的共有特征属性,让源域与目标域同种故障类型的特征处于同一分布上,进而减少源域与目标域的特征分布差异,高效地实现对滚动轴承的故障分类。具体实现过程如下。
1.获取源域样本和目标域样本。
本发明采集实验环境中滚动轴承的不同故障状态(故障状态种类为C类)下振动波形数据,将该样本作为源域样本;同时采集工业场合滚动轴承的未知故障类别振动数据,为无标签样本,将该样本作为目标域样本。
2.建立深度对抗迁移学习网络。
本发明建立的深度对抗迁移学习网络如图1所示,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;特征提取层用于对目标域样本和源域样本进行特征提取,得到目标域特征数据和源域特征数据;故障分类层对源域特征数据进行预测分类,得到其相应的标签分类损失;全局域对抗层用于对源域特征数据和目标域特征数据进行对抗训练,得到相应的全局域损失;局部域对抗层用于针对滚动轴承每一种故障情况下进行对源域特征数据和目标域特征数据对抗训练,得到相应的局部域类别对抗损。
其中特征提取层选用ResNet网络作为特征提取层来进行深层提取数据特征,在特征层第一层,为获取目标更多参数,采用较大卷积核和步长,其对应的参数如表1所示。在残差网络中,网络每一层网络都进行BatchNorm和Relu函数激活,在特征输出的最后一层采用平均池化更有效获取样本故障特征。
表1
故障分类层、全局域对抗层和局部域对抗层的参数如表2所示,故障分类层采用一层全连接层,全连接层把输出故障特征进行全连接输出故障类型,其中number为故障类型个数。全局域对抗和局部域对抗,采用三层全连接层进行激活和随机失活,以防止出现过拟合。其中局部域对抗中,number表示有多少故障类型就有多少个局部域对抗层,以保证在不同故障类型的条件下对齐其概率分布。
表2
3.对所构建的模型进行训练。
假定实验室获取的源域样本为实际工况的无标签目标域数据集为由于数据产生机制的影响这两个域的分布不相同,即边缘概率分布P(Xs)≠P(Xt)和条件概论Qs(Ys|Xs)≠Qt(Yt|Xt)。但它们的特征空间相同Xs=Xt,同时假定它们的故障类别也相同Ys=Yt。本模型学习的目标就是利用有标签的数据集去学习一个分类器f:Xs→Yt来预测目标域Dt的标签yt∈Yt。
1)将源域和目标域的原始振动样本输入到特征提取层,经特征提取层网络f=Gf(x;θf)的映射转换为一个D维的特征向量f=RD,得到源域特征数据和目标域特征数据。
2)将得到的源域特征数据输入到故障分类层Gy(x;θy),故障分类层对源域特征数据进行预测分类,得到其相应的标签分类损失目标函数Ly:
3)将得到的源域特征数据和目标与特征数据输入到全局域对抗层Gd(x;θd),全局域对抗层Gd(x;θd)对源域特征和目标域特征进行对抗训练,源域样本标签是0,目标域样本标签是1得到其相应的全局域损失Lg:
其中,di表示输入样本的域标签,ns,nt分别表示源域和目标域样本个数。
4)利用局部域类别对抗层对滚动轴承每一种故障情况下进行源域数据和目标域数据对抗训练,局部域类别对抗层分为c个类别的分类器每个分类器负责匹配源域与目标域相关类别c。其中,故障分类器Gd(xi)对每个样本的输出表示每个样本xi在类别上相关性,c=1,…C,在每个类别下,源域样本标签是0,目标域样本标签是1。得到其相应的局部域类别对抗损失Ll:
其中,α、β为权重平衡参数。
按照总损失,共同优化故障分类层、全局域对抗层和局部域对抗层的网络参数,完成训练。
4网络训练完成后,最终损失保持稳定,网络达到最优,利用学习到的模型Gd(Gf(xi))实现对目标域故障类型的准确识别。
实验验证
实验1
本实验是为了验证本发明在不同工况下的迁移学习能力,本实验设计了三组不同工况,实验数据集如表3所示,本实验以凯斯西储大学滚动轴承数据(CWRU)0HP作为源数据,分别向1HP、2HP、3HP工况下进行迁移学习,验证不同工况下所提方法的迁移学习准确率。实验同时对比分析传统TCA迁移学习能力、深度迁移学习DDC能力和深度迁移学习DAN能力,探究本发明所提方法的优越性。
表3
在本实验中,每种工况下以损伤直径的大小分为早期、中期和晚期10种故障类型进行迁移学习诊断模型实验分析。模型准确率取20次训练的平均值作为参考,模型每次训练迭代次数epoch=100(其中TCA为20次测试的平均值)。实验结果如表4所示:
表4
从表4中可以明显看出,本发明的诊断方法在不同工况下的准确率都均高于现有3种方法。
实验2
本实验是为了验证不同数据源对所提方法迁移学习诊断效果的影响,该实验以西储数据(CWRU)和西安交通大学滚动轴承数据(XJTU-SU)互为源域和目标域进行迁移学习验证,该实验分为两组进行,数据集如表5所示,第一组实验以数据集A→B进行迁移学习诊断验证;第二组以B→A进行迁移学习诊断验证,同时第二组实验还对目标域数据集在不同噪声情况下进行迁移诊断验证。
表5
第一组实验以数据集A→B进行模型迁移学习验证,第二组实验以数据集B→A进行模型迁移学习验证。为了更有效对比出所提方法的优越性,实验同时对比TCA迁移学习准确率、DDC迁移学习准确、DAN迁移学习准确率和所提方法的迁移学习准确率。实验同时验证在不同噪声和不同任务的迁移学习准确率,结果如表6所示。
表6
从表6中可以看出,不管是哪种迁移方式,本发明的准确率都比较高,即使在信噪比比较低的情况下,准确率也能保持一定的高度。
通过验证不同工况和不同数据源的迁移效果来验证了本发明所提方法的有效性,同时实验验证传统的迁移学习TCA、深度迁移学习DDC和深度迁移学习DAN。实验证明本方法的深度对抗迁移学习较其他方法有更高的分类精度和稳定性。为了能更直观分析提出方法的有效性,采用t-SNE算法将源域、目标域数据由模型特征提取层提取的特征降维至二维平面进行分析。针对迁移诊断SNR=1条件下A→B迁移学习任务,传统的迁移学习TCA得到的t-SNE特征降维如图2所示,传统的迁移学习DDC得到的t-SNE特征降维如图3所示,传统的迁移学习DAN得到的t-SNE特征降维如图4所示,本发明的迁移学习TCA得到的t-SNE特征降维如图5所示。
由各方法t-SNE特征降维分布图可知,对比传统迁移学习TCA、深度迁移学习DDC和深度迁移学习DAN三种方法,本发明的方法能够在有效提取其本身故障类型的同时,保证其源域和目标域故障的共有特征属性,让源域与目标域同种故障类型的特征处于同一分布上,进而减少源域与目标域的特征分布差异,更能直观比较所提方法的优越性。
Claims (9)
1.一种深度对抗迁移学习的滚动轴承故障诊断方法,其特征在于,该方法包括以下步骤:
1)获取未知故障类别的滚动轴承振动数据,并将该滚动轴承振动数据作为目标域样本;
2)将目标域样本和源域样本输入到深度对抗迁移学习网络中,所述的源域样本为实验环境中滚动轴承在各故障状态下振动数据及其对应的故障类别标签;
所述的深度对抗迁移学习网络包括特征提取层、故障分类层、全局域对抗层和局部域对抗层;所述特征提取层用于对目标域样本和源域样本进行特征提取,得到目标域特征数据和源域特征数据;所述的故障分类层对源域特征数据进行预测分类,得到其相应的标签分类损失;所述的全局域对抗层用于对源域特征数据和目标域特征数据进行对抗训练,得到相应的全局域损失;局部域对抗层用于针对滚动轴承每一种故障情况下进行对源域特征数据和目标域特征数据对抗训练,得到相应的局部域类别对抗损失;
以标签分类损失、全局域损失和局部域类别对抗损失之和作为总损失对所述深度对抗迁移学习网络进行训练,利用训练后的深度对抗迁移学习网络对目标域的故障诊断。
2.根据权利要求1所述的深度对抗迁移学习的滚动轴承故障诊断方法,其特征在于,所述的特征提取层采用ResNet网络。
6.根据权利要求1-5中任一项所述的深度对抗迁移学习的滚动轴承故障诊断方法,其特征在于,深度对抗迁移学习网络采用的总损失函数为:
L=Ly+αLg+βLl
L为总损失;Ly为标签分类损失;Lg表示全局分类损失;Ll表示局部域类别对抗损失;α、β为权重平衡参数。
7.根据权利要求6所述的深度对抗迁移学习的滚动轴承故障诊断方法,其特征在于,所述的故障分类层采用单层全连接网络,使用Softmax激活函数。
9.根据权利要求6所述的深度对抗迁移学习的滚动轴承故障诊断方法,其特征在于,所述局域对抗层和局部域对抗层均采用三个全连接层,相邻两个全连接层之间设置有Relu层和Dropout层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123632.3A CN113884300A (zh) | 2021-09-24 | 2021-09-24 | 一种深度对抗迁移学习的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123632.3A CN113884300A (zh) | 2021-09-24 | 2021-09-24 | 一种深度对抗迁移学习的滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113884300A true CN113884300A (zh) | 2022-01-04 |
Family
ID=79006599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111123632.3A Withdrawn CN113884300A (zh) | 2021-09-24 | 2021-09-24 | 一种深度对抗迁移学习的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113884300A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146675A (zh) * | 2022-06-28 | 2022-10-04 | 江苏大学 | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 |
CN115600134A (zh) * | 2022-03-30 | 2023-01-13 | 南京天洑软件有限公司(Cn) | 基于域动态对抗自适应的轴承迁移学习故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN113032929A (zh) * | 2021-04-01 | 2021-06-25 | 温州大学 | 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法 |
-
2021
- 2021-09-24 CN CN202111123632.3A patent/CN113884300A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN111060318A (zh) * | 2020-01-09 | 2020-04-24 | 山东科技大学 | 一种基于深度对抗迁移网络的轴承故障诊断方法 |
CN113032929A (zh) * | 2021-04-01 | 2021-06-25 | 温州大学 | 一种数值仿真驱动深度对抗迁移学习的轴承故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
岳帅旭等: "深度对抗迁移学习的故障诊断方法研究", 机械科学与技术 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115600134A (zh) * | 2022-03-30 | 2023-01-13 | 南京天洑软件有限公司(Cn) | 基于域动态对抗自适应的轴承迁移学习故障诊断方法 |
CN115146675A (zh) * | 2022-06-28 | 2022-10-04 | 江苏大学 | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 |
CN115146675B (zh) * | 2022-06-28 | 2023-09-26 | 江苏大学 | 一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709448B (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
Zhou et al. | A new tool wear condition monitoring method based on deep learning under small samples | |
Zhao et al. | Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains | |
Fu et al. | Fault diagnosis for rolling bearings based on composite multiscale fine-sorted dispersion entropy and SVM with hybrid mutation SCA-HHO algorithm optimization | |
Zhang et al. | Intelligent fault diagnosis under varying working conditions based on domain adaptive convolutional neural networks | |
Zhao et al. | Deep multi-scale separable convolutional network with triple attention mechanism: A novel multi-task domain adaptation method for intelligent fault diagnosis | |
Lin et al. | Parameter tuning, feature selection and weight assignment of features for case-based reasoning by artificial immune system | |
CN105738109A (zh) | 基于稀疏表示与集成学习的轴承故障分类诊断方法 | |
Qin et al. | Deep joint distribution alignment: A novel enhanced-domain adaptation mechanism for fault transfer diagnosis | |
CN116304820B (zh) | 一种基于多源域迁移学习的轴承故障类型预测方法及系统 | |
CN113884300A (zh) | 一种深度对抗迁移学习的滚动轴承故障诊断方法 | |
Shen et al. | A deep multi-label learning framework for the intelligent fault diagnosis of machines | |
Zhao et al. | Adaptive open set domain generalization network: Learning to diagnose unknown faults under unknown working conditions | |
Guo et al. | Reconstruction domain adaptation transfer network for partial transfer learning of machinery fault diagnostics | |
CN116894187A (zh) | 一种基于深度迁移学习的齿轮箱故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
Du et al. | Convolutional neural network-based data anomaly detection considering class imbalance with limited data | |
CN116401603A (zh) | 一种基于迁移学习的多模态轴承故障智能诊断方法 | |
CN113239610A (zh) | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 | |
CN117112992A (zh) | 一种聚酯酯化阶段的故障诊断方法 | |
Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
Lee et al. | Hierarchical segment-channel attention network for explainable multichannel signal classification | |
Hu et al. | Disassembling Convolutional Segmentation Network | |
Wu et al. | Semi-supervised fault diagnosis of wheelset bearings in high-speed trains using autocorrelation and improved flow Gaussian mixture model | |
Oh et al. | Multivariate Time Series Open-Set Recognition Using Multi-Feature Extraction and Reconstruction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220104 |