{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,5,22]]，“日期-时间”：“2024-05-22T09:51:14Z”，“时间戳”：1716371474594}，“参考-计数”：33，“出版商”：“Springer Science and Business Media LLC”，“问题”：“1”，“许可证”：[{“开始”：{'日期-部件“：[2022,5,31]]，”日期-时间“：“2022-05-31T00:00:00Z”，“timestamp”：1653955200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0”}，{“start”：{“date-parts”：[[202022,5,31]]，“date-time”：“2022-05-31T00:00:00Z”，“timetamp”：1.65395520000}，”content-version:“vor”，“delay-in-days”：“0，”URL“https:\\/creative commons.org\/licenses\/by\/4.0“}]，”出资人“：[{”name“：“国家自然科学基金广东省联合基金重点项目”，“奖项”：[“U1801263”]}，{“DOI”：“10.13039\/5011000185555”，“名称”：“贵州省科技计划”，“DOI断言者”：“发布者”，“奖项”：[“2020A1515010890”]}，{“名称”：“广东省基础与应用基础研究基金”，“奖项”：[“2020B1515120010”]}，{“名称”：“珠海市科技计划”，“奖项”：[“ZH22044702190034HJL”]}，{“名称”：“佛山市重点领域科学技术研究”，“奖”：[”2020001006832“]}]，“内容域”：{“域”：【”link.springer.com“】，“交叉标记限制”：false}，“短容器时间”：【“Auton.Intell.Syst.”】，“发布版本”：{“日期段”：【2022,12]}、“摘要”:"摘要<\/jats:title>工业机器人是一个复杂的机电一体化系统，其故障很难根据监测数据进行诊断。以往的研究已经报道了各种利用深度网络模型提高故障诊断准确性的方法，当数据样本量足够时，可以得到准确的预测模型。然而，故障数据很难获得，这导致了模型的射击次数少和泛化能力差。因此，本文提出了一种注意力增强的扩张卷积神经网络（D-CNN）方法用于跨轴工业机器人故障诊断方法。首先，采用关键特征提取和滑动窗口对工业机器人的监测数据进行预处理，然后引入D-CNN提取数据特征。自我关注用于增强特征关注能力。最后，使用预训练模型进行传递学习，并使用来自多轴工业机器人另一轴的少量数据集进行微调实验。实验结果表明，该方法在源域和目标域均能达到令人满意的故障诊断精度<\/jats:p>“，”DOI“：”10.1007\/s43684-022-00030-6“，”type“：”journal-article“，”created“：{”date-parts“：[[2022,5,31]]，”date-time“：”2022-05-31T11:13:08Z“，”timestamp“：1653995588000}，”update-policy“：“http://\/dx.DOI.org\/10007\/springer_crossmark_policy”，“source”：“Crossref”，”is-referenced-by-count“：12，”title“：[“一种用于跨轴工业机器人故障诊断的注意力增强的扩展CNN方法“]，”前缀“：”10.1007“，”卷“：”2“，”作者“：[{”给定“：”育新“，”家族“：”刘“，”序列“：”第一“，”从属“：[]}，{”ORCID“：”http://\/ORCID.org\/00000-0003-2800-4647“，”authenticated-ORCID“：false，”给定“”：“Chong”，“family”：“Chen”，“sequence”：“additional”，“affiliation“：[]}，{”given“：”Tao“，”family“：”Wang“，”sequence“：”additional“，”affiliance“：[]}，“given”：”Lianglun“，”家庭“：”Cheng“，“sequence”：“additional”，“affiliation:”[]}]，“member”：“297”，“published-on-line”：{“date-parts”：[2022,5,31]]}；“reference”：[{“issue”：“1”，“key”：“30_CR1”，“doi-asserted-by”：“publisher”，“first page”：“115”，“doi”：“10.1016\/j.rcim.2010.06.017“，“卷”：“27”，“作者”：“I.Eski”，“年份”：“2011”，“非结构化”：“I.Eski，S.Erkaya，S.Savas，S.Yildirim，使用人工神经网络对机器人操作器进行故障检测。机器人。计算-集成。制造27（1），115\u2013123（2011）“，“新闻标题”：“机器人。计算-集成。Manuf.“}，{”issue“：”2“，”key“：”30_CR2“，”doi-asserted-by“：”publisher“，”first page“：“35”，“doi”：“10.1007\/s43154-020-00006-5”，“volume”：“1”，“author”：“L.D.Evjemo”，“year”：“2020”，“unstructured”：“D.Evjemo，T.Gjerstad，E.I.Grtli，G.Sziebig，智能制造趋势：人类和工业机器人在智能工厂中的作用。当前机器人报告1（2），35\u201341（2020）“，”日记标题“：”货币。机器人。代表“}，{”问题“：”1“，”关键“：”30_CR3“，”doi-asserted-by“：”出版商“，”首页“：”189“，”doi“：”10.1007\/s10845-013-0772-8“，“卷”：“26”，“作者”：“H.Li”，“年份”：“2015”，“非结构化”：“H Li，X.Lian，C.Guo，P。赵，基于最佳频带确定的滚动轴承早期故障分类研究。J.\u00a0智能。制造26（1），189\u2013198（2015）“，“期刊标题”：“J.\u00a0Intell。制造商“}，{“key”：“30_CR4”，“volume-title”：“ASME IDETC-CIE”，“author”：“C.Chen”，“year”：“2018”，“unstructured”：“C.Chen，Y.Liu，X.Sun，S.Wang，C.D.Cairano-Gilfedder，S.Titmus，A.A.Syntetos，《利用深度学习进行可靠性分析》，ASME IDETC-CIE（ASME，魁北克，2018）”}，}，“issue”：“2”，“key“：”30_CR5“，”doi-asserted-by“：”publisher“，“first page”：“”13656“，”DOI“：”10.1016\/j.ifacol.2020.12.866“，”volume“：”53“，”author“：”A.Tavakoli“，”year“：”2020“，”unstructured“：”A.Tavakolie，L.D.Maria，B.Valecillos，D.Bartalesi，S.Bittanti，《利用振动数据进行变压器故障检测的机器学习方法》。IFAC论文在线53（2），13656\u201313661（2020）”，“期刊标题”：“IFAC论文在线”}，｛“键”：“30_CR6”，“卷”：“2019”，“作者”：“C.Yan”，“年份”：“2019”，“非结构化”：“C.Yan，M.Li，W.Liu，基于BP AdaBoost和PNN串联的变压器故障诊断。Math.Probl.Eng.2019，文章ID 1019845（2019）”，“期刊标题”：“数学。问题。Eng.“}，{”key“：”30_CR7“，”doi-asserted-by“：”publisher“，”first page“：“345”，”doi“：”10.1016\/j.ast.2017.05.030“，”volume”：“68”，”author“：”A.Science“，”year“：”2017“，”unstructured“：”A.Science，基于逻辑回归的飞机发动机健康预测，带有惩罚正则化和基于状态空间的退化框架。Aerosp.航空公司。科学。Technol公司。68，345\u2013361（2017）“，“新闻标题”：“Aerosp。科学。Technol公司。“}，{”key“：”30_CR8“，”doi-asserted-by“：”publisher“，”first page“：微电子。Reliab公司。}，{“key”：“30_CR9”，“volume-title”：“2021 IEEE信息通信与软件工程国际会议（ICICSE）”，“author”：“D.Zhu”，“year”：“2020”，“unstructured”：“D.Zhu，X.Song，J.Yang，Y.Cong，L。Wang，一种基于L1正则化传递学习和LSTM深度学习的轴承故障诊断方法，在2021年IEEE信息通信与软件工程国际会议（ICICSE）（IEEE，2021）“}，{“key”：“30_CR10”，“volume-title”：“2021年第七届国际控制、自动化与机器人会议（ICCAR）”，“author”：“D。Yang”，“年份”：“2021年”，“非结构化”：“D.Yang，K.Sun，基于CAE的旋转机械故障诊断深度学习方法，2021年第七届国际控制、自动化与机器人会议（ICCAR）（IEEE，2021）”}，{“key”：“30_CR11”，“volume-title”：“2018年预测与系统健康管理会议（PHM-Chongqing）”，“author”：“C。Zhang”，“年份”：“2018年”，“非结构化”：“C.Zhang，L.Xu，X.Li，H.Wang，基于深度学习的旋转设备故障诊断方法，2018年预测与系统健康管理会议（PHM-重庆）（IEEE，2018）”}，{“关键”：“30_CR12”，“卷标”：“2020年第11届国际机械与航天工程会议（ICMAE）”“，”author“：“Z.Dongzhu”，“year”：“2020”，“unstructured”：“Z.Dongzhun，Z.Hua，D.Shiqiang，S.Yafei，基于深度神经网络的航空发动机轴承故障诊断，2020年第十一届国际机械与航天工程会议（IEEE，2020）”}，{“key”：“30_CR13”，“volume-title”：“2019中国控制会议（CCC）”，“author”：“Z。Xu”，“年份”：“2019年”，“非结构化”：“Z.Xu，W.Mo，Y.Wang，S.Luo，T.Liu，基于深度简短稀疏自动编码器的变压器故障诊断，2019年中国控制会议（CCC）（IEEE，2019）”}，{“key”：“30_CR14”，“volume-title”：“2021年第四届国际电子器件与机械工程会议（ICEDME）”，“author”：“J.Jinghai”，“年：“2021年”，“非结构化”：“J.Jinghai，C.Weidong，基于深信度网络和信号域转换的动车组电缆故障诊断研究，2021年第四届国际电子设备与机械工程会议（IEEE，2021）”}，{“key”：“30_CR15”，“volume-title”：“2018 IEEE第九届软件工程与服务科学国际会议（ICSESS）”，“作者”：“W.Lihao”，“年份”：“2018”，“非结构化”：“W.Lihao，D.Yanni，基于卷积神经网络的胎面生产线故障诊断方法，2018 IEEE软件工程与服务科学国际会议（IEEE，2018）“}，{“键”：“30_CR16”，“卷标题”：“IECON 2018-44 IEEE工业电子学会年会”，“作者”：“G.Niu”，“年份”：“2018”，“非结构化”：“G.Niu，S.Tang，B。张，基于长短期记忆和粒子滤波的机器状态预测，在IECON 2018-44 IEEE工业电子学会年会（IEEE，2018）“}，{“问题”：“1”，“关键”：“30_CR17”，“首页”：“21”，“卷”：“4”，“作者”：“A.A.Jaber”，“年份”：“2016”，“非结构化”。Bicker，基于离散小波变换和人工神经网络的工业机器人齿隙故障诊断。Am.J.\u00a0Tech。Eng.4（1），21\u201331（2016）“，“新闻标题”：“Am.J.\u00a0Tech。Eng.“}，｛“issue”：“11”，“key”：“30_CR18”，“doi asserted by”：“publisher”，“first page”：“3954”，“doi”：“10.1109\/TIE.200.2005932”，“volume”：“55”，“author”：“D.Brambilla”，“year”：“2008”，“nonstructured”：“D.Brambilla，L.M.Capisani，A.Ferrara，P.Pisu，通过二阶滑动模式进行机械手故障检测。IEEE Trans.Ind.Electron.55（11），3954\u20133963（2008）“，”期刊标题“：”IEEE Trans。Ind.Electron公司。“}，{”key“：”30_CR19“，”doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.ymssp.2019.106544“，”volume“：“138”，”author“：”Y.Kim“，”year“：”2020“，”unstructured“：”Y.Kim，j.Park，K.Na，H.Yuan，B.D.Youn，C.-S.Kang，基于相位的时域平均（PTDA）用于使用振动信号检测工业机器人变速箱的故障。机械。系统。信号处理。138106544（2020）“，“新闻标题”：“机械。系统。信号处理。“}，{”key“：”30_CR20“，”doi-asserted-by“：”publisher“，”首页“：”331“，”doi“：”10.1016\/j.jsv.2016.05.027“，”卷“：”377“，”作者“：”O.Janssens“，”年份“：”2016“，”非结构化“：”O.Jansens，V.Slavkovikj，B.Vervisch，K.Stockman，M.Loccufer，S.Verstockt，R.Van de Walle，S。Van Hoecke，旋转机械基于卷积神经网络的故障检测。J.\u00a0声音可控震源。377，331\u2013345（2016）“，“新闻标题”：“J.\u00a0Sound Vib。“}，{”key“：”30_CR21“，”doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.ymssp.2019.106272“，”volume“：机械。系统。信号处理。“}，{”key“：”30_CR22“，”volume-title“：”2021 IEEE电子技术、通信和信息国际会议（ICETCI）“，”author“：”B.Gong“，”year“：”2020“，”unstructured“：”B.Gong，X。杜，基于CBAM-CNN的模拟电路故障诊断研究，2021年IEEE国际电子技术、通信与信息会议（ICETCI）（IEEE，2021）“}，{“key”：“30_CR23”，“volume-title”：“2020年亚太先进可靠性与维护建模国际研讨会（APARM）”，“author”：“Y.Hao”，“year”：“2020年”，“非结构化”：“Y.Hao，H.Wang，Z.Liu，H.Han，基于注意机制的多尺度CNN滚动轴承故障诊断，2020年亚太高级可靠性与维护建模国际研讨会（IEEE，2020）”}，{“key”：“30_CR24”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.knosys.2022.108639”，“volume”：249“，“author”：“S.Yang”，“year”：“2022”，“unstructured”：“S Yang，X.Kong，Q.Wang，Z.Li，H.Cheng，K.Xu，Deep multiple auto-encoder with attention mechanism network:不同工况下旋转机械故障诊断的动态域自适应方法。知识-基于系统。249，108639（2022）“，“新闻标题”：“知道-基于系统。“}，{”key“：”30_CR25“，”doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.measurement.2022.111203“，“volume”：“196”，“author”：“Z.Zhang”，“year”：“2022”，“unstructured”：“Z·Zhang，L.Chen，C.Zhang、H.Shi、H.Li、GMA-DRSNs:一种具有全球多关注深度残余收缩网络的新型故障诊断方法。measurement 196，111203（2022）”，“journal-title“：”Measurement“}，{”key“：”30_CR26“，”doi-asserted-by“：”publisher“，”doi“：”10.1007\/s11063-021-10719-z“，”author“：”C.钱“，”year“：”2022“，”unstructured“：”C.Qian，J.Zhu，Y.Shen，Q.Jiang，Q.Zhang，《机械智能故障诊断中的深度转移学习：应用与挑战》.Neural Process.Lett.，1\u201323（2022）https:\/\/doi.org\/10.1007\/s11063-021-10719-z“，”journal-title“：”Neural Process“。莱特。“}，{”key“：”30_CR27“，”doi-asserted-by“：”publisher“，”doi“：”10.1016\/j.measurement.2022.11174“，”volume“：“196”，”author“：”S.Liu“，”year“：”2022“，”unstructured“：”S.Liu，H.Wang，j.Tang，X.Zhang，基于对抗性判别域自适应转移学习的燃气轮机转子故障诊断研究。measurement 196，111174（2022）“，”期刊标题“：”Measurement“｝，｛”key“：”30_CR28“，”doi asserted by“：”publisher“，”doi“：”10.1016\/j.knossy.2022.1088466“，”volume“：”243“，”author“：”j.Tian“，”year“：”2022“，”nonstructured“：”j.Tian，D.Han，M.Li，P。Shi，一种用于跨域故障诊断的带子域自适应的多源信息传递学习方法。知识-基于系统。243108466（2022）“，“新闻标题”：“知道-基于系统。“}，{”key“：”30_CR29“，”doi-asserted-by“：”publisher“，”首页“：”474“，”doi“：”10.1016\/j.knosys.2018.12.019“，”volume“：“165”“，”author“：”T.Han“，“年份”：“2019”，”unstructured“：”T.Han，C.Liu，W.Yang，D。Jiang，深度卷积神经网络中用于机械故障智能诊断的新型对抗学习框架。知识-基于系统。165，474\u2013487（2019）“，“新闻标题”：“知道-基于系统。“}，{”key“：“30_CR30”，”doi-asserted-by“：”publisher“，”first page“：”77277“，”doi“：”10.1109\/ACCESS.2019.2919535“，”volume“：“7”，”author“：”S.Pang“，”year“：”2019“，”unstructured“：”S.Pang，X.Yang，一种用于不同工况下旋转机械故障诊断的跨域叠层去噪自动编码器。IEEE ACCESS 7，77277\u201377292（2019）“，”journal-title“：”IEEE Access“}，{”issue“：”2“，”key“：”30_CR31“，”doi-asserted-by“：”publisher“，”first page“：“1293”，”doi“：”10.1109\/TIE.2019.2898619“，”volume“：。徐，面向实际诊断场景的基于多源域泛化的智能故障识别。IEEE Trans。Ind.Electron公司。67（2），1293\u20131304（2019）“，“期刊标题”：“IEEE Trans。Ind.Electron公司。}，{“key”：“30_CR32”，“volume-title”：“信息系统计算智能国际会议”，“author”：“M.J.Hasan”，“year”：“2019”，“unstructured”：“M.J.Hasa，M.Sohaib，J.-M。Kim，1D CNN-based transfer learning model for bearing fault diagnosis under variable work conditions，in International Conference on Computational Intelligence in Information System（Springer，Berlin，2019）“}，{“key”：“30_CR33”，“doi-asserted-by”：“publisher”，“doi”：“10.1016\/j.measurement.2020.108502”，“volume”：”169，“author”：“Y.Xu”，“year”：“2021”，“非结构化”：“Y.Xu，Z.Li，S.Wang，W.Li，T.Sarkodie Gyan，S.Feng，滚动轴承故障诊断的混合深度学习模型。测量169，108502（2021）“，”日志标题“：”测量“}]，”容器标题“：[”自治智能系统“]，”原始标题“：[]，”语言“：”en“，”链接“：[{”URL“：”https:\/\/link.springer.com\/content\/pdf\/10.1007\/s43684-022-00030-6.pdf“，”内容类型“：”应用程序\/pdf“，”content-version“：”vor“，”intended-application“：”text-mining“}，”{“URL”：“https:\/\/link.springer.com/article\/10.1007\/s43684-022-00030-6\/fulltext.html“，“内容类型”：“文本\/html”，“内容版本”：“vor”，“intended-application”：“text-mining”}，{“URL”：“https:\//link.springer\com/content\/pdf\/10007\/s43884-022-0030-6.pdf”，“content-type”：“application\/pdf”，“content-version”：“vor”，“intended-aapplication”“：”相似性检查“}”，“存放”：{“日期-部分”：[[2022,6,1]]，“日期-时间”：“2022-06-01T01:27:14Z”，“时间戳”：1654046834000}，“分数”：1，“资源”：{“主要”:{“URL”：“https:\/\/link.springer.com\/10.1007\/s43684-022-00030-6”}}，”副标题“：[]，”短标题“：[]，”发布“：{”日期-部分“：[2022,5,31]]}，“references-count”：33，“journal-issue”：{“issue”：“1”，“published-print“：{”date-parts“：[[2022,12]]}}，”alternative-id“：[”30“]，”URL“：”http://\/dx.doi.org\/10.1007\/s43684-022-00030-6“，”relation“：{}，“ISSN”：[”2730-616X“]，“ISSN-type”：[{“value”：“2730-616 X”，“type”:“electronic”}]，“subject”：【】，“published”：{5,31]]}，“断言”：[{“value”：“2022年4月1日”，“order”：1，“name”：“received”，“label”：“已收到“，”组“：{“name”：“Article History”，“label”：“文章历史”}}，{“value”：“2022年5月13日”，“order”：2，“名称”：“修订”，“标签”：“已修改”，“group”：{”名称“：”文章历史“，”标签“：”论文历史“}，”值“：”2022年6月20日“，”订单“3”，“name”:“accepted”，“table”：“accepted（已接受）”，“group”：“{”name“：”物品历史“，“lable”：”文章史“}”}，{“值”：“2022年5月31日“，”order“：4，”name“：”first_online“，”label“：”first online“，“group”：{“name”：“Article History”，“label”：“Article Hi历”}}，{“order”：1，”name”：”Ethics“，”group“：“，”标签“：”竞争利益“}}]，”物品编号“：”11“}}