Deep Convolutional Transfer Learning Network: A New Method for Intelligent Fault Diagnosis of Machines With Unlabeled Data

学习迁移 卷积神经网络 计算机科学 人工智能 域适应 深度学习 领域(数学分析) 模式识别(心理学) 数据建模 人工神经网络 机器学习 断层(地质) 数据挖掘 分类器(UML) 数据库 地质学 数学分析 地震学 数学
作者
Liang Guo,Yaguo Lei,Saibo Xing,Tao Yan,Naipeng Li
出处
期刊:IEEE Transactions on Industrial Electronics [Institute of Electrical and Electronics Engineers]
卷期号:66 (9): 7316-7325 被引量:941
标识
DOI:10.1109/tie.2018.2877090
摘要

The success of intelligent fault diagnosis of machines relies on the following two conditions: 1) labeled data with fault information are available; and 2) the training and testing data are drawn from the same probability distribution. However, for some machines, it is difficult to obtain massive labeled data. Moreover, even though labeled data can be obtained from some machines, the intelligent fault diagnosis method trained with such labeled data possibly fails in classifying unlabeled data acquired from the other machines due to data distribution discrepancy. These problems limit the successful applications of intelligent fault diagnosis of machines with unlabeled data. As a potential tool, transfer learning adapts a model trained in a source domain to its application in a target domain. Based on the transfer learning, we propose a new intelligent method named deep convolutional transfer learning network (DCTLN). A DCTLN consists of two modules: condition recognition and domain adaptation. The condition recognition module is constructed by a one-dimensional (1-D) convolutional neural network (CNN) to automatically learn features and recognize health conditions of machines. The domain adaptation module facilitates the 1-D CNN to learn domain-invariant features by maximizing domain recognition errors and minimizing the probability distribution distance. The effectiveness of the proposed method is verified using six transfer fault diagnosis experiments.
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
马浩博发布了新的文献求助10
1秒前
King丶惠忍完成签到,获得积分10
2秒前
hhh完成签到,获得积分10
2秒前
小蘑菇应助Heidi采纳,获得20
2秒前
清脆的语芙完成签到,获得积分10
2秒前
小蘑菇应助123456789采纳,获得10
2秒前
CipherSage应助林橙采纳,获得30
3秒前
Shirley应助稳重的雨灵采纳,获得10
3秒前
zs完成签到 ,获得积分10
3秒前
优美绮琴发布了新的文献求助10
4秒前
zp完成签到,获得积分10
4秒前
xzy998应助机灵的电脑采纳,获得10
4秒前
yemma完成签到,获得积分10
4秒前
Agamemnon发布了新的文献求助10
4秒前
4秒前
彭于晏应助柒邪采纳,获得10
5秒前
热心雁易发布了新的文献求助10
5秒前
zp发布了新的文献求助10
6秒前
烂漫的静枫完成签到,获得积分10
6秒前
健忘的灵槐完成签到,获得积分10
7秒前
虚声带寒早完成签到,获得积分10
7秒前
Tang125完成签到 ,获得积分10
7秒前
情怀应助大脸兔狲采纳,获得10
7秒前
单薄傲易完成签到,获得积分10
8秒前
Toby完成签到 ,获得积分10
8秒前
9秒前
chs110完成签到,获得积分10
9秒前
维生素完成签到,获得积分10
9秒前
aaaa完成签到,获得积分10
9秒前
10秒前
xiao完成签到,获得积分10
10秒前
11秒前
11秒前
搜集达人应助热心雁易采纳,获得10
11秒前
why完成签到,获得积分10
11秒前
脑洞疼应助庄默羽采纳,获得10
12秒前
迷路达发布了新的文献求助10
12秒前
文思泉涌完成签到,获得积分10
12秒前
12秒前
胖胖猪完成签到,获得积分10
13秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
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 3245017
求助须知:如何正确求助?哪些是违规求助? 2888685
关于积分的说明 8254872
捐赠科研通 2557077
什么是DOI,文献DOI怎么找? 1385764
科研通“疑难数据库(出版商)”最低求助积分说明 650225
邀请新用户注册赠送积分活动 626433