故障机理与领域自适应混合驱动的机械故障智能迁移诊断

doi:10.7527/S1000-6893.2021.26800

材料工程与机械制造

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

故障机理与领域自适应混合驱动的机械故障智能迁移诊断

于功也¹^,², 蔡伟东³, 胡明辉¹^,², 刘文才⁴, 马波¹^,²()

^1.北京化工大学发动机健康监控及网络化教育部重点实验室，北京 100029
^2.北京化工大学高端机械装备健康监控及自愈化北京市重点实验室，北京 100029
^3.中国科学院工程热物理研究所，北京 100190
^4.中国石油集团安全环保技术研究院，北京 102249

收稿日期:2021-12-09 修回日期:2021-12-15 接受日期:2021-12-23 出版日期:2023-01-25 发布日期:2022-01-11
通讯作者: 马波 E-mail:mabo@mail.buct.edu.cn
基金资助:
国家自然科学基金(11802153)

Intelligent migration diagnosis of mechanical faults driven by hybrid fault mechanism and domain adaptation

Gongye YU¹^,², Weidong CAI³, Minghui HU¹^,², Wencai LIU⁴, Bo MA¹^,²()

^1.Key Laboratory of Engine Health Monitoring-Control and Networking （Ministry of Education），Beijing University of Chemical Technology，Beijing 100029，China
^2.Beijing Key Laboratory of Health Monitoring and Self-recovery for High-end Mechanical Equipment，Beijing University of Chemical Technology，Beijing 100029，China
^3.Institute of Engineering Thermophysics，Chinese Academy of Sciences，Beijing 100190，China
^4.CNPC Research Institute of Safety & Environment Technology，Beijing 102249，China

Received:2021-12-09 Revised:2021-12-15 Accepted:2021-12-23 Online:2023-01-25 Published:2022-01-11
Contact: Bo MA E-mail:mabo@mail.buct.edu.cn
Supported by:
National Natural Science Foundation of China(11802153)

摘要/Abstract

摘要：

航空发动机的健康稳定对于保障飞行器的安全运行具有重要的作用，针对各台发动机建立具备高准确率的智能诊断模型是飞行器稳定运行的关键。现有故障诊断方法在具备故障数据的条件下能取得较好效果，但实际应用中往往因仅含正常数据，无法实现诊断模型的构建。针对该问题，提出一种故障机理与领域自适应混合驱动的机械故障智能迁移诊断方法，该方法首先依据故障机理和源域数据建立旋转机械故障虚拟样本生成模型，再采用目标域正常数据实现生成模型对目标域的自适应，最后通过虚拟样本训练得到目标域故障诊断模型。采用标准数据集和实验室轴承数据对提出方法进行验证，结果表明，提出方法对不同型号轴承诊断时取得88.61%的平均准确率，相比对比方法高41.22%。

关键词: 故障诊断, 故障机理, 个性化模型, 迁移学习, 领域自适应

Abstract:

The health and stability of aircraft engines play an important role in ensuring the safe operation of aircraft， and the establishment of intelligent diagnostic models with high accuracy for different engines is the key to the stable operation of aircraft. The existing fault diagnosis methods can achieve good results when fault data are available， but the actual application cannot always realize the construction of the diagnosis model because it only contains normal data. To address this problem， a hybrid fault mechanism and domain adaptive driven intelligent migration diagnosis method for mechanical faults is proposed. This method firstly establishes a virtual sample generation model for rotating mechanical faults based on the fault mechanism and source domain data， then the normal data of the target domain is used to realize the adaption of the generation model to the target domain， and finally， the target domain fault diagnosis model is obtained by virtual sample training. The proposed method is validated using standard data sets and laboratory bearing data， and the results show that the proposed method achieves an average accuracy of 88.61% when diagnosing different types of bearings， which is 41.22% higher compared with the comparison method.

Key words: fault diagnosis, mechanism model, personalized model, transfer learning, domain adaptation

中图分类号:

于功也, 蔡伟东, 胡明辉, 刘文才, 马波. 故障机理与领域自适应混合驱动的机械故障智能迁移诊断[J]. 航空学报, 2023, 44(2): 426800-426800.

Gongye YU, Weidong CAI, Minghui HU, Wencai LIU, Bo MA. Intelligent migration diagnosis of mechanical faults driven by hybrid fault mechanism and domain adaptation[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(2): 426800-426800.

图/表 16

图 1

图 2

算法 1　G(⋅)计算方法伪代码

算法名称： $G (⋅)$
输入：频率分辨率 $τ$ 、 $f$ 、 $f'$ 、 $Ψ s$
输出：单个虚拟样本的 $G (⋅)$
1. 从 $Ψ s$ 随机采样得到一组迁移参数向量 $(k, θ, φ)$
2. $H ← 0 ∈ R 1 × L$ /零矩阵/
3. For $i ← 1$ to $L / (f / τ)$ /* $⋅$ 表示向下取整*/
4. $j = < i × (f / τ) >$ /* $< ⋅ >$ 表示四舍五入*/
5. 从正态分布 $N (1, 0.1)$ 随机采样得到 $λ$
6. $H [j] ← k × θ i - 1 × λ$ /为故障缺陷频率及其倍频处赋值/
7. $q l = < j - (f' / τ) >, q r = < j - (f' / τ) >$
8. If $q l > 0$ Then
9. 从正态分布 $N (1, 0.1)$ 随机采样得到 $λ$
10. $H [q l] = H [j] × φ × λ$ /为左侧边带赋值/
11. If $q r ≤ L$ Then
12. 从正态分布 $N (1, 0.1)$ 随机采样得到 $λ$
13. $H [q r] = H [j] × φ × λ$ /为右侧边带赋值/
14. Return $G (⋅) = H$

图 3

表 1

故障诊断模型的结构参数

层名称	参数尺寸	激活函数	是否添加BN层	是否添加Dropout
I0	$1 024 × 1$
C1	$64 × 20 × 1 × 1 × 4$	ReLU^［24］	是	否
P2	$2 × 1 × 2$		否
C3	$128 × 3 × 1 × 64 × 2$	ReLU^［24］	是	否
P4	$2 × 1 × 2$		否
C5	$192 × 3 × 1 × 128 × 2$	ReLU^［24］	是	否
P6	$2 × 1 × 2$		否
C7	$256 × 3 × 1 × 192 × 1$	ReLU^［24］	是	否
P8	$2 × 1 × 2$		否
F9	$M × 512$	ReLU^［24］	是	是（0.5）
F10	$512 × (V + 1)$		是	是（0.5）
S11	$V + 1$		否
O12

表 1

表 2

图 4

表 3

诊断任务列表

源域	目标域	诊断任务
A	B	$A → B$
A	C	$A → C$
A	D	$A → D$
B	A	$B → A$
B	C	$B → C$
B	D	$B → D$
C	D	$C → D$
D	C	$D → C$

表 3

表 4

轴承故障共性参数

故障类型	ORF	IRF	BF
共性参数	$Κ 、 Θ$	$Κ 、 Θ 、 Φ$	$Κ 、 Θ 、 Φ$

表 4

图 5

图 6

表 5

十折交叉实验诊断准确率（%）

实验次数	$A → B$	$A → C$	$A → D$	$B → A$	$B → C$	$B → D$	$C → D$	$D → C$
1	62.83	99.91	94.40	72.45	99.23	93.13	94.98	99.43
2	61.92	99.69	99.36	70.93	98.21	98.02	92.37	96.74
3	59.32	99.20	82.29	69.91	99.67	86.69	93.66	99.81
4	62.87	99.65	98.62	68.32	98.25	81.04	91.87	99.96
5	58.95	99.58	99.89	71.38	98.36	98.13	91.35	99.16
6	64.22	99.85	98.24	70.16	97.91	96.47	92.39	97.99
7	58.79	99.72	98.64	69.94	98.28	82.69	90.98	99.33
8	63.74	99.99	98.71	68.33	99.16	93.40	92.51	98.91
9	61.18	99.85	95.82	68.37	99.02	97.33	91.35	99.16
10	60.06	99.58	96.38	70.31	99.06	89.04	92.94	97.31
平均	61.39	99.70	96.24	70.01	98.72	91.60	92.44	98.78

表 5

表 6

不同共性参数分布下的诊断准确率（%）

单变量 $k$ $(θ, φ) ∈ (Θ, Φ) k ∈ N (r k, 0.1 × r k 2)$	$r k$	0.01	0.1	1	10	100	1 000	10 000	100 000	0.01	0.1
单变量 $k$ $(θ, φ) ∈ (Θ, Φ) k ∈ N (r k, 0.1 × r k 2)$	准确率	36.97	32.29	40.79	85.64	74.29	46.78	45.58	43.30	36.97	32.29
单变量 $θ$ $(k, φ) ∈ (Κ, Φ) θ ∈ N (r θ, 0.1 × r θ 2)$	$r θ$	0.000 1	0.001	0.01	0.1	0.5	1	5	10	0.000 1	0.001
单变量 $θ$ $(k, φ) ∈ (Κ, Φ) θ ∈ N (r θ, 0.1 × r θ 2)$	准确率	71.43	75.72	77.74	69.18	77.58	69.91	46.66	38.04	71.43	75.72
单变量 $φ$ $(k, θ) ∈ (Κ, Θ) φ ∈ N (r φ, 0.1 × r φ 2)$	$r φ$	0.000 1	0.001	0.01	0.1	0.5	1	5	10	0.000 1	0.001
单变量 $φ$ $(k, θ) ∈ (Κ, Θ) φ ∈ N (r φ, 0.1 × r φ 2)$	准确率	83.86	82.53	84.11	81.58	77.71	73.71	73.55	68.84	83.86	82.53
三变量 $k 、 θ 、 φ$ $k ∈ N (r k, 0.1 × r k 2) 、 θ ∈ N (r θ, 0.1 × r θ 2) 、 φ ∈ N (r φ, 0.1 × r φ 2)$						$r k = 10$ 、 $r θ = 0.01$ 、 $r φ = 0.01$
						准确率	72.17

表 6

表 7

方法描述

方法名称	描述
DA-MCGM	模型输入为基于希尔伯特变换的包络频谱
TCA	模型输入为文献［27］的42维特征，核心代码来自文献［28］
GFK	模型输入同TCA方法，核心代码来自文献［29］
DaNN	模型输入和结构与DA-MCGM方法一致，模型训练时的损失函数添加了最大均值差异^［30］
Fine-tune	模型输入和结构与DA-MCGM方法一致，先采用 $D s$ 训练模型，然后冻结C1~P8参数，采用 $D 0 t$ 对F9~F10的参数微调
CNN	模型输入和结构与DA-MCGM方法一致，采用 $D s$ 训练模型，然后直接用训练完成的模型对 $D t$ 测试，可作为基准模型

表 7

表 8

试验结果准确率对比（%）

诊断任务	$A → B$	$A → C$	$A → D$	$B → A$	$B → C$	$B → D$	$C → D$	$D → C$	平均
DA-MCGM	61.39	99.70	96.24	70.01	98.72	91.60	92.44	98.78	88.61
TCA	42.84	20.86	39.99	44.63	24.46	32.11	51.53	59.51	39.49
GFK	44.22	31.42	42.27	45.97	37.21	38.83	53.69	60.28	44.24
DaNN	57.96	35.67	41.66	59.36	27.74	36.32	60.97	63.43	47.39
FIne-tune	40.14	33.33	37.25	41.79	33.33	37.17	53.64	57.72	41.80
CNN	52.04	18.61	28.86	56.43	22.92	29.66	56.32	63.09	40.99

表 8

表 9

DA-MCGM方法对各类别故障诊断准确率（%）

诊断任务	ORF	IRF	BF
$A → B$	78.08	37.96	40.00
$A → C$	100.00	98.58
$A → D$	100.00	91.80
$B → A$	81.36	54.60	44.71
$B → C$	99.92	100.00
$B → D$	93.81	89.51
$C → D$	100.00	99.33
$D → C$	96.33	100

表 9

参考文献 32

1	SUN H B, WANG J, CHEN K. A tip clearance prediction model for multistage rotors and stators in aero-engines [J]. Chinese Journal of Aeronautics, 2021, 34(2): 343-357.
2	王辰, 左彦飞, 江志农, 等. 全转速系数矩阵降维重构的燃机不平衡量逆推方法[J]. 航空学报, 2020, 41(11): 223670.
	WANG C, ZUO Y F, JIANG Z N, et al. A backstepping method of gas turbine unbalance vector based on dimension reduction and reconstruction of full speed coefficient matrix[J]. Acta Aeronautica et Astronautica Sinica, 2020, 41(11): 223670 (in Chinese).
3	孙灿飞, 王友仁. 直升机行星传动轮系故障诊断研究进展[J]. 航空学报, 2017, 38(7): 111-124.
	SUN C F, WANG Y R. Advance in study of fault diagnosis of helicopter planetary gears[J]. Acta Aeronautica et Astronautica Sinica, 2017, 38(7): 111-124 (in Chinese).
4	MA S J, CHENG B, SHANG Z W. Scattering transform and LSPTSVM based fault diagnosis of rotating machinery[J]. Mechanical Systems and Signal Processing, 2018, 104: 155-170.
5	ZHANG Y H, ZHOU T T, HUANG X F, et al. Fault diagnosis of rotating machinery based on recurrent neural networks[J]. Measurement, 2020, 171: 108774.
6	王庆锋, 刘家赫, 卫炳坤, 等. 数据驱动的聚类分析故障识别方法研究[J]. 机械工程学报, 2020, 56(18):7-14.
	WANG Q F, LIU J H, WEI B K, et al. Research on data-driven clustering analysis fault identification method[J]. Journal of Mechanical Engineering, 2020, 56(18): 7-14 (in Chinese).
7	沈长青, 汤盛浩, 江星星, 等. 独立自适应学习率优化深度信念网络在轴承故障诊断中的应用研究[J]. 机械工程学报, 2019, 55(7): 81-88.
	SHEN C Q, TANG S H, JIANG X X, et al. Bearings fault diagnosis based on improved deep belief network by self-individual adaptive learning rate[J]. Journal of Mechanical Engineering, 2019, 55(7): 81-88 (in Chinese).
8	沈飞, 陈超, 徐佳文, 等. 基于时间迁移模型的旋转机械实时故障诊断[J]. 仪器仪表学报, 2019, 40(10): 84-94.
	SHEN F, CHEN C, XU J W, et al. Time transfer model based rotating machine real-time fault diagnosis[J]. Chinese Journal of Scientific Instrument, 2019, 40(10): 84-94 (in Chinese).
9	LEI Y G, YANG B, JIANG X W, et al. Applications of machine learning to machine fault diagnosis: a review and roadmap[J]. Mechanical Systems and Signal Processing, 2020, 138: 106587.
10	LI C, ZHANG S H, QIN Y, et al. A systematic review of deep transfer learning for machinery fault diagnosis[J]. Neurocomputing, 2020, 407: 121-135.
11	徐颖强, 陈仙亮, 曹栋波. 样本量为2的极小样本相容性检验方法[J]. 航空学报, 2018, 39(5): 144-151.
	XU Y Q, CHEN X L, CAO D B. Compatibility test method in minimal samples situation with two samples[J]. Acta Aeronautica et Astronautica Sinica, 2018, 39(5): 144-151 (in Chinese).
12	CHEN C, LI Z H, YANG J, et al. A cross domain feature extraction method based on transfer component analysis for rolling bearing fault diagnosis[C]∥2017 29th Chinese Control and Decision Conference (CCDC), 2017.
13	雷亚国, 杨彬, 杜兆钧, 等. 大数据下机械装备故障的深度迁移诊断方法[J]. 机械工程学报, 2019, 55(7): 1-8.
	LEI Y G, YANG B, DU Z J, et al. Deep transfer diagnosis method for machinery in big data era[J]. Journal of Mechanical Engineering, 2019, 55(7): 1-8 (in Chinese).
14	康守强, 邹佳悦, 王玉静, 等. 基于无监督特征对齐的变负载下滚动轴承故障诊断方法[J]. 中国电机工程学报, 2020, 40(1): 274-281.
	KANG S Q, ZOU J Y, WANG Y J, et al. Fault diagnosis method of a rolling bearing under varying loads based on unsupervised feature alignment[J]. Proceedings of the CSEE, 2020, 40(1): 274-281 (in Chinese).
15	LIAO Y X, HUANG R Y, LI J P, et al. Deep semisupervised domain generalization network for rotary machinery fault diagnosis under variable speed[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(10): 8064-8075.
16	SHEN F, CHEN C, YAN R Q, et al. Bearing fault diagnosis based on SVD feature extraction and transfer learning classification[C]∥2015 Prognostics and System Health Management Conference, 2015.
17	邵海东, 张笑阳, 程军圣, 等. 基于提升深度迁移自动编码器的轴承智能故障诊断[J]. 机械工程学报, 2020, 56(9): 84-90.
	SHAO H D, ZHANG X Y, CHENG J S, et al. Intelligent fault diagnosis of bearing using enhanced deep transfer auto-encoder[J]. Journal of Mechanical Engineering, 2020, 56(9): 84-90 (in Chinese).
18	罗嘉宁. 实验与仿真数据驱动的滚动轴承故障严重性评估研究[D]. 哈尔滨: 哈尔滨工业大学, 2019.
	LUO J N. Research on experimental and simulation data-driven fault severity assessment of rolling element bearings[D]. Harbin: Harbin Institute of Technology, 2019 (in Chinese).
19	董韵佳. 基于动力学仿真和迁移学习的滚动轴承故障诊断方法研究[D]. 哈尔滨: 哈尔滨工业大学, 2019.
	DONG Y J. Investigation of dynamic simulation and transfer learning based fault diagnosis method for rolling element bearings[D]. Harbin: Harbin Institute of Technology, 2019 (in Chinese).
20	马波, 蔡伟东, 赵大力. 基于GAN样本生成技术的智能诊断方法[J]. 振动与冲击, 2020, 39(18): 153-160.
	MA B, CAI W D, ZHAO D L. Intelligent diagnosis method based on GAN sample generation technology[J]. Journal of Vibration and Shock, 2020, 39(18): 153-160 (in Chinese).
21	袁壮, 董瑞, 张来斌, 等. 深度领域自适应及其在跨工况故障诊断中的应用[J]. 振动与冲击, 2020, 39(12): 286-293.
	YUAN Z, DONG R, ZHANG L B, et al. Deep domain adaptation and its application in fault diagnosis across working conditions[J]. Journal of Vibration and Shock, 2020, 39(12): 286-293 (in Chinese).
22	柏壮壮, 卢一相, 高清维, 等. 基于自适应紧框架学习的轴承故障诊断[J]. 振动与冲击, 2021, 40(12): 296-303.
	BAI Z Z, LU Y X, GAO Q W, et al. Bearing fault diagnosis based on adaptive tight frame learning[J]. Journal of Vibration and Shock, 2021, 40(12): 296-303 (in Chinese).
23	董光玲, 姚郁, 贺风华, 等. 制导精度一体化试验的Bayesian样本量计算方法[J]. 航空学报, 2015, 36(2): 575-584.
	DONG G L, YAO Y, HE F H, et al. Bayesian sample size determination for integrated test of missile hit accuracy[J]. Acta Aeronautica et Astronautica Sinica, 2015, 36(2): 575-584 (in Chinese).
24	GLOROT X, BORDES A, BENGIO Y. Deep sparse rectifier neural networks[J]. Journal of Machine Learning Research, 2011, 15: 315-323.
25	SMITH W A, RANDALL R B, Randall. Rolling element bearing diagnostics using the case western reserve university data: a benchmark study[J]. Mechanical Systems ＆ Signal Processing, 2015, 64-65: 100 -131.
26	LEE D, SIU V, CRUZ R, et al. Convolutional neural net and bearing fault analysis[C]∥Proceedings of the International Conference on Data Mining, 2016: 194-200.
27	刘海宁, 宋方臻, 窦仁杰, 等. 小数据条件下基于测地流核函数的域自适应故障诊断方法研究[J]. 振动与冲击, 2018, 37(18): 36-42.
	LIU H N, SONG F Z, DOU R J, et al. Domain adaptive fault diagnosis based on the geodesic flow kernel under small data condition[J]. Journal of Vibration and Shock, 2018, 37(18): 36-42 (in Chinese).
28	PAN S J, TSANG I W, KWOK J T, et al. Domain adaptation via transfer component analysis[J]. IEEE Transactions on Neural Networks, 2011, 22 (2): 199-210.
29	GONG B Q, SHI Y, SHA F, et al. Geodesic flow kernel for unsupervised domain adaptation[C]∥2012 IEEE Conference on Computer Vision and Pattern Recognition, 2015.
30	CHEN C, SHEN F, XU J W, et al. Domain adaptation-based transfer learning for gear fault diagnosis under varying working conditions[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 3500510.
31	CHEN X H, ZHANG B, GAO D, et al. Bearing fault diagnosis base on multi-scale CNN and LSTM model[J]. Journal of Intelligent Manufacturing, 2021, 32: 971-987.
32	杨国安. 滚动轴承故障诊断实用技术[M]. 北京: 中国石化出版社, 2012.
	YANG G A. Techniques for rolling bearing fault diagnosis[M]. Beijing: China Petrochemical Press, 2012 (in Chinese).

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

数据集	轴承型号	数据来源	数据描述	健康状态	标签	样本数
A	SKF6205	CWRU	每种健康状态包含3种故障尺寸、4种负载	N	0	2 871
				ORF	1	2 871
				IRF	2	2 871
				BF	3	2 871
B	SKF6203	CWRU	每种健康状态包含3种故障尺寸、4种负载	N	0	1 429
				ORF	1	1 429
				IRF	2	1 429
				BF	3	1 429
C	未知	MFPT	故障状态包含7种负载	N	0	2 016
				ORF	1	2 016
				IRF	2	2 016
D	N205EM	实验台	每种健康状态转速固定	N	0	300
				ORF	1	300
				IRF	2	300

[1]	张忠强, 张新, 王家序, 刘治汶. 基于重加权谱峭度方法的航空发动机故障诊断[J]. 航空学报, 2022, 43(9): 625445-625445.
[2]	韩淞宇, 邵海东, 姜洪开, 张笑阳. 基于提升卷积神经网络的航空发动机高速轴承智能故障诊断[J]. 航空学报, 2022, 43(9): 625479-625479.
[3]	张烁, 刘治汶. 航空发动机轴承故障结构化贝叶斯稀疏表示[J]. 航空学报, 2022, 43(9): 625056-625056.
[4]	曹明, 黄金泉, 周健, 陈雪峰, 鲁峰, 魏芳. 民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅰ: 气路、机械和FADEC系统故障诊断与预测[J]. 航空学报, 2022, 43(9): 625573-625573.
[5]	林京, 张博瑶, 张大义, 陈敏. 航空燃气涡轮发动机故障诊断研究现状与展望[J]. 航空学报, 2022, 43(8): 626565-626565.
[6]	邵怡韦, 陈嘉宇, 林翠颖, 万程, 葛红娟, 石智龙. 小训练样本下齿轮箱故障诊断:一种基于改进深度森林的方法[J]. 航空学报, 2022, 43(8): 625429-625429.
[7]	王维民, 陈子文, 张旭龙, 陈康. 基于叶端定时的转子碰摩故障诊断方法[J]. 航空学报, 2022, 43(8): 625031-625031.
[8]	孙灿飞, 黄林然, 沈勇. 复杂工况下的直升机行星传动轮系故障诊断[J]. 航空学报, 2022, 43(8): 625480-625480.
[9]	田晶, 张羽薇, 张凤玲, 艾辛平, 高崇. 基于多尺度量子熵的中介轴承故障诊断方法[J]. 航空学报, 2022, 43(8): 625485-625485.
[10]	康玉祥, 陈果, 尉询楷, 周磊. 深度残差对冲网络及其在滚动轴承故障诊断中的应用[J]. 航空学报, 2022, 43(8): 625201-625201.
[11]	聂同攀, 曾继炎, 程玉杰, 马梁. 面向飞机电源系统故障诊断的知识图谱构建技术及应用[J]. 航空学报, 2022, 43(8): 625499-625499.
[12]	王育鹏, 吕帅帅, 杨宇, 李嘉欣, 王叶子. 基于域自适应的复合材料结构损伤识别方法[J]. 航空学报, 2022, 43(6): 526752-526752.
[13]	黄旭星, 李爽, 杨彬, 孙盼, 刘学文, 刘新彦. 人工智能在航天器制导与控制中的应用综述[J]. 航空学报, 2021, 42(4): 524201-524201.
[14]	江波, 屈若锟, 李彦冬, 李诚龙. 基于深度学习的无人机航拍目标检测研究综述[J]. 航空学报, 2021, 42(4): 524519-524519.
[15]	袁利, 王淑一. 航天器控制系统智能健康管理技术发展综述[J]. 航空学报, 2021, 42(4): 525044-525044.

故障机理与领域自适应混合驱动的机械故障智能迁移诊断

Intelligent migration diagnosis of mechanical faults driven by hybrid fault mechanism and domain adaptation

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 32

相关文章 15

编辑推荐

Metrics

本文评价