TY -的A2 - Lim, Sangsoon盟——胡Xinqian盟——男人,Junfeng AU -杨,恒富盟-邓,江民盟——刘,易建联PY - 2022 DA - 2022/10/18 TI -一种改进Metalearning框架下优化轴承故障诊断数据不平衡SP - 1809482六世- 2022 AB -旋转机械的智能诊断与大数据已被广泛研究。然而,由于工作环境的可变性和困难将故障样本,很难获得足够的高质量的错误标记数据训练轴承故障诊断模型在实际工业应用场景。针对训练数据不平衡的问题,由于缺乏故障样本,小说metalearning故障诊断方法(MOFD)提出了轴承故障诊断的解决方案在数据不平衡。首先,为了提高各种故障样本,特征空间密度自适应合成少数过采样技术(FSDA-SMOTE)提出了本文需要少数样品的密度差在空间域内当地邻居相似的类作为约束来生成新的故障样本数据增大。此外,为了增强模型的学习能力和诊断下的性能故障样本有限,一个residual-attention卷积神经网络(RA-CNN)构造识别故障信号的深层特征,和metalearning策略基于参数梯度优化应用于RA-CNN炼油诊断模型的学习过程。最后,通过实验验证了该方法的可靠性分析数据集的公共关系。SN - 1687 - 725 - 2022/1809482 / 10.1155 x你——https://doi.org/10.1155/2022/1809482——摩根富林明——《传感器PB - Hindawi KW - ER