【技术实现步骤摘要】
本专利技术属于机械故障诊断，涉及样本生成以及迁移学习中域泛化，具体涉及一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法。
技术介绍
1、在现代工业中，机械设备的诊断十分重要。可靠的故障诊断可以显著减少经济损失，提高运行过程的安全性。随着深度学习在传统上依赖专业知识的几个领域取得了有希望的成果，神经网络不断显示出它在模式识别等领域的潜力，神经网络可以从复杂的机械振动信号中提取出故障特征，并依据所提取的故障特征进行故障类型的判别。这种端到端的方式能够极大提高故障诊断的速度，有望于应用到现实生产中。因此，许多结合深度学习的智能故障诊断方法得到了广泛的研究，吸引了越来越多学者的关注。
2、尽管传统的智能故障诊断方法依靠稀疏自编码器，卷积网络等神经网络已经产生了令人鼓舞的结果，但它们受到训练和测试数据服从相同分布的潜在假设的限制，在现实变工况场景下，这种条件往往难以满足。在分布不同的条件下，在特定工况下训练好的网络往往会因为域偏移的影响，使得跨工况诊断效果较差。迁移学习中的域自适应技术被提出用于缓解这个问题，域自适应技术通过将源...
【技术保护点】
1.一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，生成辅助训练样本过程如下：
3.根据权利要求1所述的一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，特征筛选过程如下：
4.根据权利要求1-3任一所述的一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，分类训练方法如下：
【技术特征摘要】
1.一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，其特征在于，生成辅助训练样本过程如下：
3.根...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。