...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE signal processing letters >Multiscale Representations Fusion With Joint Multiple Reconstructions Autoencoder for Intelligent Fault Diagnosis
【24h】

Multiscale Representations Fusion With Joint Multiple Reconstructions Autoencoder for Intelligent Fault Diagnosis

机译：带联合多重重构自动编码器的多尺度表示融合，用于智能故障诊断

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Existing intelligent fault diagnosis methods depend mostly on single-scale vibration signals, which not only ignore the latent useful information of other different scales, but also underestimate the complementary benefits across scales. In this work, we show the advantage of learning the combination of multiscale information by aiming to automatically capture complementary and discriminative feature representations from different scales of vibration signals. Specifically, we combine the merit of different activation functions in a joint learning fashion and propose a novel joint multiple reconstructions autoencoder (JMRAE), whose training objective is to jointly optimize multiple reconstruction losses. The JMRAE aims to jointly learn discriminative and robust scale-specific feature representations. In addition, we design a new multiscale representations fusion network (MRFN) model to effectively fuse multiscale feature representations learned concurrently by per-scale JMRAE model for maximizing the discriminative capability of the scale-fused features. The objective of MRFN is to benefit all different scales from each other for improving the classification performance. Extensive experimental results demonstrate the effectiveness of the proposed method on two rolling bearing datasets. The code of the proposed method is available at https://github.com/KWflyer/mrfn.
机译：现有的智能故障诊断方法主要依靠单尺度振动信号，该信号不仅忽略了其他尺度的潜在有用信息，而且还低估了尺度之间的互补效益。在这项工作中，我们旨在通过自动捕获来自不同比例的振动信号的互补和区分性特征表示，来展示学习多尺度信息组合的优势。具体而言，我们以联合学习的方式结合了不同激活函数的优点，并提出了一种新颖的联合多重重建自动编码器（JMRAE），其训练目标是共同优化多个重建损失。 JMRAE旨在共同学习具有判别力和鲁棒性的比例尺特定特征表示。此外，我们设计了一种新的多尺度表示融合网络（MRFN）模型，以有效地融合每尺度JMRAE模型同时学习的多尺度特征表示，以最大化尺度融合特征的判别能力。 MRFN的目标是互惠互利，以提高分类性能。大量的实验结果证明了该方法在两个滚动轴承数据集上的有效性。提议的方法的代码可从https://github.com/KWflyer/mrfn获得。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号