TY - Jour A2 - Maia，Nuno M. Au - 徐，Juan Au - Xu，彭飞Au - Wei，Zhenchun Au-Ding，Xu Au - Shi，Lei Py - 2020 DA - 2020/12/17 TI - DC-NNMN：跨组件故障诊断基于深少拍摄学习SP - 3152174 VL - 2020 AB - 近年来，深入学习已成为工业设备智能故障诊断的热门话题。在实际工作条件下，如何在具有微小标记样本的不同机械部件的情况下实现智能故障诊断是一个具有挑战性的问题。这意味着使用一个组件样本训练，但尚未解决与另一组件样本进行测试。在本文中，我们提出了一种基于几次拍摄学习的深卷积最近邻匹配网络（DC-NNMN）。构建1D卷积嵌入网络以提取高维故障特征。余弦距离合并到 K.- 最终邻的方法，用于从查询集和标记的样本从查询集和标记的样本从高维故障特征中的支持集中模拟未标记的样本之间的距离分布。构造了测试数据集的多个镜头学习故障诊断任务，然后通过多个任务培训优化网络参数。因此，获得了强大的网络模型以将不同组件中的未知故障类别分类为具有微小标记的故障样本。我们使用CWRU轴承振动数据集，从实验室建立的实验平台中选择的轴承振动数据，以及用于跨组件实验的另一个齿轮振动数据集以证明该方法。实验结果表明，该方法可实现82.19％的故障诊断精度，用于轴承的82.63％，每个故障类别的一个样本只有一个样本。所提出的DC-NNMN模型提供了一种新的方法来解决少量学习中的跨部件故障诊断。SN - 1070-9622 UR - https://doi.org/10.1155/2020/3152174 Do - 10.1155 / 2020/3152174 JF - 震动和振动Pb - Hindawi Kw - ER -