Deep Adversarial Domain Adaptation Model for Bearing Fault Diagnosis

Fault diagnosis of rolling bearings is an essential process for improving the reliability and safety of the rotating machinery. It is always a major challenge to ensure fault diagnosis accuracy in particular under severe working conditions. In this article, a deep adversarial domain adaptation (DADA...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE transactions on systems, man, and cybernetics. Systems Ročník 51; číslo 7; s. 4217 - 4226
Hlavní autoři:	Liu, Zhao-Hua, Lu, Bi-Liang, Wei, Hua-Liang, Chen, Lei, Li, Xiao-Hua, Ratsch, Matthias
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	New York IEEE 01.07.2021 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	Accuracy Adaptation Adversarial network Algorithms bearing Classification Data mining Data models Deep learning deep neural networks domain adaptation (DA) Domains Fault diagnosis Feature extraction Machine learning Roller bearings Rolling bearings Rotating machinery stack autoencoder (SAE) Training unsupervised learning
ISSN:	2168-2216, 2168-2232
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!