Intelligent fault diagnosis of rolling bearings based on MDF and Swin Transformer
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
A fault diagnosis model based on Motif Difference Field (MDF) and Swin Transformer is proposed to address the issue of scarce fault samples in actual working conditions, which leads to poor diagnostic and generalization capabilities of Deep Learning based fault diagnosis models. Using MDF instead of Gramian Angle Field (GAF), the one-dimensional signal is transformed into a two-dimensional image, retaining features while performing data augmentation; Using the Swin Transformer network model instead of the CNN network for bearing fault measurement. The results indicate that the model has higher accuracy and generalization compared to other deep learning methods.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Intelligent fault diagnosis of rolling bearings based on MDF and Swin Transformer
- Date Crossref
- 05/06/2024
- Éditeur
- SPIE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Anhui University pays non établi dans la noticeUniversité ou école supérieure
-
Qingdao Academy of Intelligent Industries pays non établi dans la noticeStructure de recherche
-
Ltd. (China) MaiPu Intelligent and Technology Co. pays non établi dans la noticeEntreprise
Anhui University, Qingdao Academy of Intelligent Industries et MaiPu Intelligent and Technology Co. — Ltd. (China).
Une affiliation ne permet pas de déduire la nationalité d’un auteur.