An intelligent fault diagnosis method for rolling bearings based on feature transfer with improved DenseNet and joint distribution adaptation

计算机科学 断层(地质) 方位(导航) 振动 学习迁移 人工智能 特征(语言学) 模式识别(心理学) 滚动轴承 特征向量 接头(建筑物) 工程类 结构工程 声学 地震学 哲学 地质学 物理 语言学
作者
Chenhui Qian,Quan Jiang,Yehu Shen,Chunran Huo,Qingkui Zhang
出处
期刊:Measurement Science and Technology [IOP Publishing]
卷期号:33 (2): 025101-025101 被引量:24
标识
DOI:10.1088/1361-6501/ac3b0b
摘要

Abstract Mechanical intelligent fault diagnosis is an important method to accurately identify the health status of mechanical equipment. Traditional fault diagnosis methods perform poorly in the diagnosis of rolling bearings under complex conditions. In this paper, a feature transfer learning model based on improved DenseNet and joint distribution adaptation (FT-IDJ) is proposed. With this model, we apply it to implement rolling bearing fault diagnosis. A lightweight DenseNet model is firstly proposed to extract the transferable features of the raw vibration signal. Furthermore, the parameters in the DenseNet are constrained by the domain adaptive regularization term and pseudo label learning. The marginal distribution discrepancy and the conditional distribution discrepancy of the learned transferable features are reduced by this way. The proposed method is validated by the diagnosis experiments with CWRU and Jiangnan University rolling bearing datasets. The experimental results showed that the proposed FT-IDJ can classify common rolling bearing faults such as inner ring fault, outer ring fault and rolling element fault. Also, it has higher classification accuracy than DAN and other eight methods, which demonstrates its effectively learning transferable features from auxiliary data.
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
刚刚
桃桃发布了新的文献求助20
1秒前
成就的安阳完成签到,获得积分10
1秒前
完美耦合发布了新的文献求助10
1秒前
大司马发布了新的文献求助10
2秒前
2秒前
4秒前
ya发布了新的文献求助10
6秒前
Jasper应助不吃豆皮采纳,获得10
7秒前
大司马完成签到,获得积分10
7秒前
辰溪发布了新的文献求助20
7秒前
汉堡包应助zhao采纳,获得10
7秒前
8秒前
阿珩发布了新的文献求助10
9秒前
10秒前
11秒前
780完成签到,获得积分10
11秒前
anderson1738发布了新的文献求助10
12秒前
深情安青应助grisco采纳,获得10
12秒前
12秒前
13秒前
臭蚊子你个饿死鬼完成签到 ,获得积分10
14秒前
Chestnut发布了新的文献求助10
15秒前
葳蕤完成签到,获得积分10
15秒前
16秒前
16秒前
Johnchill发布了新的文献求助10
16秒前
16秒前
米粒儿发布了新的文献求助10
17秒前
无花果应助Y123采纳,获得10
18秒前
不知百念发布了新的文献求助10
19秒前
王闷闷发布了新的文献求助50
19秒前
19秒前
完美耦合完成签到,获得积分10
19秒前
20秒前
Cynthia发布了新的文献求助200
20秒前
辣辣辣发布了新的文献求助20
21秒前
无花果应助微笑的鞋子采纳,获得10
22秒前
爆米花应助辰溪采纳,获得10
23秒前
23秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
China's Relations With Japan 1945-83: The Role of Liao Chengzhi 400
Classics in Total Synthesis IV 400
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 3149540
求助须知:如何正确求助?哪些是违规求助? 2800615
关于积分的说明 7840805
捐赠科研通 2458144
什么是DOI,文献DOI怎么找? 1308295
科研通“疑难数据库(出版商)”最低求助积分说明 628471
版权声明 601706