인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 저자정보
피인용 0
초록·키워드
This study proposes an improved fault diagnosis model on the grounds of transfer learning and convolutional neural networks for addressing the issue of difficulty in accurately labeling and extracting fault signals in mechanical systems. By utilizing boundary self balancing adversarial generation networks and denoising autoencoders to generate signals that match the distribution of real system signals, and combining with dynamic models, efficient classification of real signals is achieved. The model was trained and tested on several publicly available bearing datasets, including the Case Western Storage Bearing Dataset, the Self collected Bearing Dataset, and the Institute of Maintenance Science Bearing Dataset. The fault diagnosis model on the ground of transfer learning and convolutional neural networks performs well in different dataset transfer scenarios, especially in A → C scenarios, with a prediction accuracy of 98.07% and an average accuracy of 93.83%. This study indicates that the proposed fault diagnosis model on the ground of transfer learning and improved convolutional neural networks has high accuracy and good domain adaptation ability inmechanical intelligent fault diagnosis. This demonstrates excellent performance and significant application value.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-25-02-093686222
