亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Transfer learning fault diagnosis of axial piston pumps by fusing knowledge from multisource subdomains and simulation-driven soft labels

学习迁移 计算机科学 分类器(UML) 人工智能 断层(地质) 活塞(光学) 领域(数学分析) 波形 频域 机器学习 知识转移 状态监测 工程类 稳健性(进化) 活塞泵 模式识别(心理学) 传递函数 时域 故障检测与隔离 训练集 特征提取 数据挖掘 控制工程 领域知识
作者
Qun Chao,Zhongrui Wang,Wentao Wang,Z E Zhang,Chengliang Liu
出处
期刊:Structural Health Monitoring-an International Journal [SAGE Publishing]
被引量:1
标识
DOI:10.1177/14759217261459311
摘要

Axial piston pumps operate under dynamic conditions in practical applications, leading to cross-domain data distribution discrepancies that pose challenges for their deep-learning based fault diagnosis. While transfer learning has shown promise in mitigating such data distribution discrepancies between different domains, existing single-source transfer learning methods exhibit limited diagnostic accuracy when confronted with substantial domain shift. To address this challenge, this article proposes a novel transfer learning framework that fuses knowledge from multisource subdomains and simulation-driven soft labels. Each source subdomain has an independent domain-specific classifier, and its contribution to the final classification decision is weighted by the distribution discrepancy between source and target data. A computational fluid dynamics model is developed to simulate discharge pressure signals under target operating conditions. These simulated signals are used to compute soft labels through interclass similarity, which enables prior knowledge of target domain to be incorporated during classifier training. Experiments on an axial piston pump at various rotational speeds demonstrate that the proposed model increases the diagnostic accuracy by 28.03% over conventional single-source methods. Furthermore, the integration of simulation-driven soft labels yields an additional 13.59% accuracy gain. As a result, the proposed model achieves a superior average accuracy of 99.02%.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
迷人悒完成签到,获得积分10
10秒前
虚拟的元正完成签到,获得积分10
11秒前
yyy完成签到 ,获得积分10
16秒前
ding的应助被ahworld采纳,获得10
16秒前
fantasy的应助被科研通管家采纳,获得10
21秒前
null的应助被科研通管家采纳,获得10
21秒前
22秒前
25秒前
淡淡的怜翠完成签到,获得积分10
30秒前
32秒前
ni完成签到 ,获得积分10
33秒前
ahworld发布了新的文献求助10
37秒前
温不胜的破木吉他完成签到 ,获得积分10
46秒前
安可完成签到,获得积分20
50秒前
希望天下0贩的0的应助被安可采纳,获得10
54秒前
深情豁完成签到,获得积分10
1分钟前
温柔的香岚完成签到,获得积分10
1分钟前
A2QD发布了新的文献求助10
1分钟前
claire完成签到 ,获得积分10
1分钟前
1分钟前
安可发布了新的文献求助10
1分钟前
寒冷的月亮完成签到 ,获得积分10
1分钟前
Nori完成签到 ,获得积分10
1分钟前
土豪的剑身完成签到,获得积分10
1分钟前
脑洞疼的应助被A2QD采纳,获得10
1分钟前
孙菜炖粉条完成签到 ,获得积分10
2分钟前
奔跑的应助被Alice采纳,获得10
2分钟前
独特珩完成签到,获得积分10
2分钟前
明亮的藏鸟完成签到,获得积分10
2分钟前
null的应助被科研通管家采纳,获得10
2分钟前
酷波er的应助被科研通管家采纳,获得10
2分钟前
null的应助被科研通管家采纳,获得10
2分钟前
automan完成签到,获得积分10
2分钟前
2分钟前
parantal发布了新的文献求助10
2分钟前
灵剑山发布了新的文献求助10
2分钟前
冷傲的妙竹完成签到,获得积分10
2分钟前
2分钟前
阳光幻巧完成签到,获得积分10
3分钟前
科研通AI6.2的应助被灵剑山采纳,获得10
3分钟前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
八旗制度の研究 600
plantTFDB 508
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8173069
求助须知:如何正确求助?哪些是违规求助? 9565519
关于积分的说明 21780383
捐赠科研通 7765085
什么是DOI,文献DOI怎么找? 3431528
关于科研通互助平台的介绍 2555638
邀请新用户注册赠送积分活动 2476668