Abstract: J. Gao, Y. Wang (2023)

To solve the problem that traditional deep learning methods for rotating machinery (RM) are difficult to learn effective fault features and consistent prior knowledge when the fault samples are insufficient and large differences in data distribution. We propose a fault diagnosis method for RM under small sample conditions based on the recurrence characteristics (RC) common to RM and combine it with model-agnostic meta-learning (MAML). Experiments on the CWRU bearing dataset and the NGW planetary gearbox dataset are employed to verify the accuracy and effectiveness. The results show that under the conditions of insufficient fault samples and large differences in data distribution, our method can effectively improve the accuracy of fault diagnosis.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

A rotating machinery fault diagnosis method based on recurrence characteristics and model-agnostic meta-learning under small sample conditions