典型文献
故障类型增量场景下基于终身学习的轴承故障诊断方法
文献摘要：
针对基于深度学习的轴承故障诊断模型在面临新诊断需求下存在故障类型增量,需要进一步提升模型泛化能力问题,在终身学习范式下提出了一种新的基于终身学习的轴承故障诊断方法(LLBFDM),核心是将提出的双分支自适应聚合残余网络与保留的典例样本相结合,在双分支自适应聚合残余网络(DAARN)的每个残差块层中增加一个稳定块和一个动态块,通过稳定分支和动态分支的组合克服灾难性遗忘现象,并通过自适应聚合权重和双级优化程序平衡模型的稳定性和可塑性.具有故障类型增量的轴承试验结果表明,LLBFDM在初始阶段、增量阶段1、增量阶段2的诊断精度分别为100.00％±0.00％,93.60％±1.90％和91.55％±1.26％,诊断效果优于其他终身学习方法,且具有较好的鲁棒性.
文献关键词：
滚动轴承;故障诊断;终身学习;增量学习;灾难性遗忘;稳定性-可塑性困境
中图分类号：
作者姓名：
陈博戬;沈长青;石娟娟;朱忠奎;冯毅雄
作者机构：
苏州大学 轨道交通学院,江苏 苏州 215131;浙江大学 流体动力与机电系统国家重点实验室,杭州 310027
文献出处：
引用格式：
[1]陈博戬;沈长青;石娟娟;朱忠奎;冯毅雄-.故障类型增量场景下基于终身学习的轴承故障诊断方法)[J].轴承,2022(09):62-69
A类：
LLBFDM,DAARN
B类：
故障类型,终身学习,轴承故障诊断,故障诊断方法,故障诊断模型,新诊断,下存,模型泛化,泛化能力,学习范式,双分支,残差块,灾难性遗忘,双级,优化程序,可塑性,初始阶段,诊断效果,滚动轴承,增量学习
AB值：
0.252088
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
