A novel method based on meta-learning for bearing fault diagnosis with small sample learning under different working conditions

方位(导航) 断层(地质) 机器学习 计算机科学 样品(材料) 人工智能 领域(数学) 模式识别(心理学) 数据挖掘 工程类 数学 色谱法 地质学 地震学 化学 纯数学
作者
Hao Su,Ling Xiang,Aijun Hu,Yonggang Xu,Xin Yang
出处
期刊:Mechanical Systems and Signal Processing [Elsevier]
卷期号:169: 108765-108765 被引量:123
标识
DOI:10.1016/j.ymssp.2021.108765
摘要

Recently, intelligent fault diagnosis has made great achievements, which has aroused growing interests in the field of bearing fault diagnosis due to its strong feature learning ability. Sufficient bearing fault samples are taken for granted in existing intelligent fault diagnosis methods generally. In practice, however, the lack of fault samples has been a knotty problem. Therefore, in this paper, a novel method called data reconstruction hierarchical recurrent meta-learning (DRHRML) is proposed for bearing fault diagnosis with small samples under different working conditions. This approach contains data reconstruction and meta-learning stages. In the data reconstruction stage, noise is reduced and the useful information hidden in the raw data is extracted. In the meta-learning stage, the proposed method is trained by a recurrent meta-learning strategy with one-shot learning way. This approach is demonstrated on the bearing fault database with 92 working conditions from Case Western Reserve University and with 56 working conditions from laboratory. Results show that the proposed method is effective for bearing intelligent fault diagnosis with small samples under different working conditions.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
酷波er应助科研通管家采纳,获得10
刚刚
刚刚
天天快乐应助尤亦云采纳,获得10
1秒前
逆夏完成签到,获得积分10
1秒前
Knight发布了新的文献求助10
1秒前
1秒前
今天很美味完成签到 ,获得积分10
2秒前
徐徐发布了新的文献求助10
2秒前
2秒前
南湖秋水完成签到,获得积分0
3秒前
皇帝的床帘完成签到,获得积分10
3秒前
yuancw完成签到 ,获得积分10
4秒前
科研靓仔发布了新的文献求助10
4秒前
4秒前
05完成签到 ,获得积分10
6秒前
老迟到的小松鼠完成签到,获得积分10
7秒前
烟花应助Lunjiang采纳,获得10
7秒前
tyhmugua发布了新的文献求助10
7秒前
南湖秋水发布了新的文献求助10
7秒前
一路向北4956完成签到,获得积分10
8秒前
8秒前
南宫书瑶完成签到,获得积分10
8秒前
ljys完成签到,获得积分10
8秒前
万豪完成签到,获得积分10
9秒前
LL完成签到,获得积分20
10秒前
Ken发布了新的文献求助10
10秒前
汉堡包应助GJK采纳,获得10
11秒前
徐徐完成签到,获得积分10
11秒前
tyhmugua完成签到,获得积分10
12秒前
乐观的凌兰完成签到 ,获得积分10
13秒前
13秒前
MX完成签到,获得积分10
13秒前
飘零枫叶完成签到,获得积分0
14秒前
14秒前
看风景的小熊完成签到,获得积分10
14秒前
nanda完成签到,获得积分10
14秒前
整齐歌曲完成签到,获得积分10
15秒前
勤恳化蛹完成签到 ,获得积分10
15秒前
15秒前
聪明邪欢完成签到,获得积分10
15秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
A Dissection Guide & Atlas to the Rabbit 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3134355
求助须知:如何正确求助?哪些是违规求助? 2785254
关于积分的说明 7770963
捐赠科研通 2440904
什么是DOI,文献DOI怎么找? 1297556
科研通“疑难数据库(出版商)”最低求助积分说明 624987
版权声明 600792