典型文献
不同转速下基于深度注意力迁移学习的滚动轴承故障诊断方法
文献摘要：
针对不同转速下滚动轴承故障诊断中特征提取困难、数据分布差异巨大影响诊断结果,提出一种不同转速下基于深度注意力迁移学习(deep attention transfer learning,DATL)的滚动轴承故障诊断方法.首先,利用小波变换获取振动信号的时频图以展现时频特征;其次,搭建融合空间和通道的注意力卷积神经网络(attention convolutional neural network,ACNN)提取滚动轴承的关键特征以防止特征丢失;然后,在ACNN中添加领域适配层,完成不同转速下滚动轴承深度特征的迁移适配;最后,通过Softmax分类层对目标数据进行故障状态识别.通过不同转速下不同故障程度的滚动轴承故障诊断试验证明了所提方法的可行性和有效性.
文献关键词：
滚动轴承;不同转速;注意力机制;迁移学习;故障诊断
中图分类号：
作者姓名：
陈仁祥;唐林林;胡小林;杨黎霞;赵玲
作者机构：
重庆交通大学 交通工程应用机器人重庆市工程实验室,重庆 400074;重庆工业大数据创新中心有限公司,重庆 400056;重庆科技学院 工商管理学院,重庆 401331
文献出处：
引用格式：
[1]陈仁祥;唐林林;胡小林;杨黎霞;赵玲-.不同转速下基于深度注意力迁移学习的滚动轴承故障诊断方法)[J].振动与冲击,2022(12):95-101,195
A类：
DATL
B类：
不同转速,注意力迁移,迁移学习,滚动轴承故障诊断,故障诊断方法,数据分布,分布差异,巨大影响,诊断结果,deep,attention,transfer,learning,小波变换,振动信号,时频图,时频特征,convolutional,neural,network,ACNN,关键特征,领域适配,深度特征,Softmax,故障状态,状态识别,故障程度,诊断试验,注意力机制
AB值：
0.300899
相似文献
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。
