｛“status”：“ok”，“message type”：“work”，“message version”：“1.0.0”，“message”：｛“indexed”：｛“date parts”：[[2024,6,29]，“date time”：“2024-06-29T12:35:19Z”，“timestamp”：1719664519985｝，“reference count”：85，“publisher”：“Elsevier BV”，“license”：[｛“start”：｛“date parts”：[[2024,1,1]]，“date time”：“2024-01-01T00:00:00Z”，“timestamp”：1704067200000｝，“content版本“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[2024,1]]，“date-time”：“2024-01-01T00:00:00Z”，“timestamp”：170406720000}，“content-version”：“stm-asf”，“delay-in-days”：“0，”URL“https:\\/doi.org\/10.15223\/policy-017“}，{“开始”：{“日期部分”：[[2024,1,1]]，“日期时间”：“2024-01-01T00:00:00Z”，“timestamp”：170406720000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-037”}，{“start”：{“date-parts”：[[2024,1,1]]，“date-time”：“2024-01-01T00:00:00Z”，“timetamp”：170 4067200000}，\\/doi.org\/10.15223\/policy-012“}，{“start”：{“date-parts”：[[2024,1,1]]，“date-time”：“2024-01-01T00:00:00Z”，“timestamp”：170406720000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[[2024,1,1]]，“datetime”：“204-01T00:00Z”，“，”delay-in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-004“}]，“资助者”：[{“DOI”：“10.13039\/501100002858”，“名称”：“中国博士后科学基金会”，“DOI-asserted-by”：“publisher”}，{“DOI”：“1013039\/501100003410”，“姓名”：“福建省教育厅”，“DOI-asserte-by”：“出版商”，“奖项”：[“JAT200248”]}，“DOI“10.13029\/50110010031”，“名字”：“博士后科研基金会”，“doi-asserted-by”：“publisher”，“award”：[“2019M663899XB”]}，{“doi”：“10.13039\/100008136”，“name”：“Case Western Reserve University”，“doi-asserted-by”：”publisher“}，}“doi:”10.13039\/501100011422“，”name“：”西南交通大学牵引动力国家重点实验室“，”doi-assert-by“：”publister“，”award“：[”2020TPL-T14“]}”，{”doi“：“10.13039\/50100018525”，“name”：“四川省重点研发计划”，“doi-asserted-by”：“publisher”，“adward”：[“2023YFG0065”]}，{“doi”：“10.130.39\/501100001809”，“name”：“国家自然科学基金”，“doi-asserte-by”：“publisher”，“award”：[”51905453“]}”，{”doi“：”10.13039\/501100018542“name”：“四川省自然科学基金”，“doi-asserted-by”：“publisher”，“adward”：[“2022NSFSC1910”，“2022NS FSC1918”]}，{“doi”：“10.13039\/100014718”，“name”：“国家自然科学基金创新研究群体项目”，“doi-asserted-by”:“publishers”，“award”：[”52272355“]}]，“content-domain”：{“domain”:[”elsevier.com“，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[“人工智能的工程应用”]，”published-print“：{“date-parts”：[[2024,1]]}，”DOI“：”10.1016\/j.engappai.2023.107407“，”type“：”journal-article“，”created“：{“date-ports”：[2023,11,2]，”date-time“：”2023-11-02T07:05:49Z“，”timestamp“：1698908749000}，“第页”：“107407”，“update-policy”：“http://\/dx.doi.org\/10.1016\/elsevier_cm_policy“，”source“：“Crossref”，“is-referenced-by-count”：4，“title”：[“基于并行集成优化和传递学习的轴承智能故障诊断框架”]，“prefix”：“10.1016”，“volume”：”127“，“author”：[{“给定”：“Guiding”，“family”：“Tang”，“sequence”：“first”，“affiliation”：[]}，{“given”：“Cai”，“family”：“Yi”，“sequence”：“additional”，“affaliation”（从属关系）：[]}“：false，”given“：”秋阳“，”family“：”周“，“序列”：“附加”，“隶属关系”：[]｝，｛“ORCID”：“http:\/\/ORCID.org/0000-0003-0872-1737”，“已认证的ORCID”：false，“给定”：“永旭”，“家族”：“胡”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“鹏城”，“家族”：“周”，“序列”：“附加”，“隶属关系”：[]｝，｛“给定”：“建辉”，“家族”：“林”，“序列”：“附加”，“隶属关系”：[]｝]，“member”：“78”，“reference”：[{“issue”：“5”，“key”：“10.1016\/j.engappai.2023.107407_b1”，“doi-asserted-by”：“crossref”，“first page”：”361“，”doi“：”10.1111\/mices.12263“，”article-title“：”使用卷积神经网络进行基于深度学习的裂纹损伤检测“，”volume“32”，“author”：“Cha”，”year“：”2017“，”journal title“：“计算机辅助土木基础设施工程”}，{“issue”：“9”，“key”：“10.1016\/j.engappai.2023.07407_b2”，“doi-asserted-by”：“crossref”，”first page“：”731“，”doi“：”10.1111\/mices.12334“，”article-title“：”使用基于区域的深度学习进行自动结构视觉检查，以检测多种损伤类型“，”volume“：“33”，“author”：“Cha”，，“year”：“2018”，“journal-title”：“Compute.-Aided Civ.Infrastruct.Eng.”}，{“key”：“10.1016\/j.engappai.2023.107407_b3”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.engappai.2023.105971”，“article-title“DNoiseNet:各种噪声环境下基于深度学习的反馈有源噪声控制”，“volume”：《121》，“author”：“Cha”，《年份》：“2023”，《journal-title》：“工程师。申请。Artif公司。智力。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0952-1976“，”ISSN-type“：“print”}，{“issue”：“20”，“key”：“10.1016\/j.engappai.2023.07407_b4”，“doi-asserted-by”：“crossref”，“first page”：”19811“，”doi“：”10.1109\/JIOT.2022.3168317“，”article-title“：”工业物联网智能故障定量识别（IIoT）通过一个新的深度双强化学习模型，伴随着样本不足”，“卷”：“9”，“作者”：“常”，“年份”：“2022”，“新闻标题”：“Ieee Internet Things J.”，“ISSN”：“http://\/id.crossref.org\/ISSN\/2327-4662”，“ISSN-type”：”print“}，{“问题”：“1”，“关键”：“10.1016\/J.engappai.2023.07407_b5”，“doi-asserted-by”：“crossref”，”first page“339”，“DOI”：“10.1109\/TII.2019.2917233”，“文章标题”：“使用可转换卷积神经网络对旋转机械进行智能故障诊断”，“卷”：“16”，“作者”：“陈”，“年份”：“2020”，“期刊标题”：”IEEE Trans。Ind.通知。“｝，｛”issue“：”1“，”key“：”10.1016\/j.engappai.2023107407_b6“，”doi断言“：”crossref“，”首页“：”339“，”doi“：”10.1109\/TII.20192917233“，”文章标题“：”使用可转移卷积神经网络的旋转机械智能故障诊断“，”卷“：”16“，”作者“：”Chen“，”年份“：”2020“，”期刊标题“：”IEEE Trans.Ind.Inform.“｝，｛”key“：”10.1016\/j.engappai.2023.107407_b7“，”doi-asserted-by“：”crossref“，”doi“：”101016\/j.mechmachtheory.2021.104635“，”article-title“：”残余深子域适配网络：跨多域轴承智能故障诊断的新方法“，”volume“：“169”，”author“：”Chen“，”year“：”2022“，”journal-title:“Mech”。机器。Theory”，“ISSN”：“http://\/id.crossref.org\/ISSN\/0094-114X”，“ISSN-type”：”print“}，{“key“：”10.1016\/j.engappai.2023.10740_b8“，”doi-asserted-by“：”crossref“，”first page“：“35”，“doi”：“10.1016\/j.neucom.2020.05.040”，“article-title”：“基于Wasserstein距离的深度对抗性转移学习，用于未标记或标记数据不足的智能故障诊断”，“卷”：“409”，“作者”：“Cheng”，“年份”：“2020”，“日志标题”：“神经计算”，“ISSN”：“http://\/id.crossref.org\/ISSN\/0925-2312”，“ISSN-type”：”print“}，{“密钥”：“10.1016\/j.engappai.2023.07407_b9”doi-asserted-by“：”crossref“，”doi“：”10.1016\/j.eswa.2020.114060“，”article-title“：”制造业中的机器学习和数据挖掘“，”volume“：”166“，“author”：“Dogan”，“year”：“2021”，“journal-title”：“Expert Syst”。应用。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0957-4174“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.07407_b10”，“doi-asserted-by”：“crossref”，“first page”：”343“，”doi“：”10.1016\/j.isatra.200.09.004“，”article-title“：”基于深层次特征的轴承性能退化评估的转移学习“，”卷：“108”，“作者”：“”Dong”，“年份”：“2021年”，“新闻标题”：“ISA Trans。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0019-0578“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b11”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.ress.2020.107098”，“article-title”：“基于共识自组织模型的剩余使用寿命预测的转移学习”，“volume”：”203“，“author”：“Fan”，“year”：“2020”“，”新闻标题“：”Reliab。工程系统。安全。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0951-8320“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b12”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.ijfatigue.2022.107459”，“article-title”：“新型齿轮疲劳监测指标及其在智能制造系统直齿轮剩余使用寿命预测中的应用”，“卷”：“168”，“作者”：“冯”，《年份》：“2023年”，“期刊标题”：“国际疲劳杂志”，“ISSN”：“http://\/id.crossref.org\/ISSN\/0142-123”，“ISSN-type”：”print“}，{“密钥”：“10.1016\/J.engappai.2023.07407_b13”，“doi-asserted-by“：”crossref“，”doi“：”10.1016\/j.ymssp.2022.109605“，”article-title“：”基于振动的齿轮磨损监测和预测技术综述“，”volume“：”182“，“author”：“Feng”，“year”：“2023”，“journal-title”：“Mech”。系统。信号处理。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0888-3270“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b14”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.ymssp.2022.1098996”，“article-title”：“数字双驱动齿轮表面退化智能评估”，“volume”：”186“，“author”：“Feng”，“year”：“2023”“，”日志标题“：”机械。系统。信号处理。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0888-3270“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b15”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.aei.2020.101126”，”article-title“：“基于集成机器学习算法的钢筋混凝土柱破坏模式分类和承载力预测”，“volume”：”45“，“作者”：“冯”，“年份”：“2020年”，“新闻标题”：“高级工程师通知”。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/1474-0346“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.07407_b16”，“series-title”：“计算机视觉应用中的域适配”，“首页”：“189”，“article-title”：”神经网络领域专家培训“，”author“：”Ganin“，”“年份”：“2017”}、{“key”：”10.1016//j.engaa第2023.107407_b17页“，”series-title“：“神经信息处理系统的进展，第25卷”，“article-title”：“大规模双样本测试的最佳内核选择”，“author”：“Gretton”，“year”：“2012”}，{“issue”：“4”，“key”：“10.1016\/j.engappai.2023.07407_b18”，“doi-asserted-by”：“crossref”，“first page”：《309》，“doi”：“101504\/IJHM.2021.20609”，“article-tite”：“基于振动调制信号双谱分析监测和诊断多级螺旋齿轮箱的自然劣化”，“体积”：“4”，“作者”：“Gu”，“年份”：“2021”，“日志标题”：“国际液压机电一体化”，“ISSN”：“http://\/id.crossref.org\/ISSN\/2515-0464”，“ISSN-type”：”print“}，{“key”：《10.1016\/J.engappai.2023.07407_b19》，“doi-asserted-by“：”crossref“，”first page“：”490“，”doi“：”10.1016\/j.measurement.2016.07.054“，”article-title“：”递阶自适应深卷积神经网络及其在轴承故障诊断中的应用“，”volume“：print“}，{”issue“：”9“，”key“：”10.1016\/j.engappai.2023.07407_b20“，”doi-asserted-by“：”crossref“，”first page“：“7316”，“doi”：“10.1109\/TIE.2018.2877090”，“article-title”：“深度卷积传递学习网络：具有未标记数据的机器智能故障诊断的新方法”，“volume”：“66”，“author”：“Guo”，“year”：“2019”，“journal-title“：”IEEE传输。Ind.Electron公司。“｝，｛”key“：”10.1016\/j.engappai.20231.07407_b21“，”doi断言“：”crossref“，”doi“：”10.1016\/j.patcog.2020.107254“，”文章标题“：”基于修改后的A-距离和稀疏过滤的视觉域自适应“，”volume“：”104“，”author“：”Han“，”year“：”2020“，”期刊标题“：”Pattern Recognict.“，”ISSN“：”http:\/\/id.crossref.org/ISSN\/001-3203“，”issn-type“：”print“}，{“key”：“10.1016\/j.engappai.2023.107407_b22”，“series-title”：“密集连接卷积网络”，“author”：“Huang”，“year”：“2018”}，}“issue”：“1”，“key“：“10.106\/j-engappai.2023.107407_b23”，“doi-asserted-by”：“crossref”，《首页》：“60”，“doi”：“101109\/TBDATA.2017.2711039”，“article”title“：”云计算系统中可信服务的时间序列异常检测”，“卷”：“8”，“作者”：“黄”，“年份”：“2022年”，“新闻标题”：“IEEE Trans。大数据“}，{“问题”：“6”，“关键”：“10.1016\/j.engappai.2023.107407_b24”，“doi-asserted-by”：“crossref”，“首页”：“2587”，“doi”：“101109\/TMECH.2018.2820091”，“article-title”：“基于观测器的容错控制器，用于使用delta运算符的不确定steer-by-wire系统”，“volume”：“23”，“作者”：“黄”，“年份”：“2018”，“日志标题”：“IEEE\/ASME标准。Mechatronics“}，{“key”：“10.1016\/j.engappai.2023.107407_b25”，“doi-asserted-by”：“crossref”，“unstructured”：“Ioannou，Yani，Robertson，Duncan，Cipolla，Roberto，Criminisi，Antonio，2017。深层根：使用分层过滤器组提高cnn效率。收录：IEEE计算机视觉和模式识别会议论文集。pp.1231\u20131240.“，”DOI“：”10.1109\/CVPR.2017.633“}，{“key”：“10.1016\/j.engappai.2023.107407_b26”，“DOI-asserted-by”：“crossref”，“DOI”：“101016\/j.compbiomed.2023.106734”，“article-title”：“一种使用视觉变压器（vit）的基于心音描记术（PCG）的瓣膜性心脏病（VHD）检测框架”，“volume”：”158“，“author”：“Jamil”，“年份”：“2023年”，“新闻标题”：“计算”。《生物医学》，“ISSN”：“http://\/id.crossref.org\/ISSN\/0010-4825”，“ISSN-type”：《打印》}，{“密钥”：“10.1016\/j.engappai.2023.07407_b27”，“doi-asserted-by”：“crossref”，“首页”：“204”，《doi》：“10.116\/j.neunet.2022.05.024”，“article-title”：“MGLNN:通过多图合作学习神经网络的半监督学习”，“volume：“153”，“作者”：Jiang”，“年份”：“2022”，“期刊标题”：“神经网络。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0893-6080“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b28”，“article-title”：“Adam：一种随机优化方法”，“author”：“Kingma”，“year”：“2014”，“journal-title“：”Compute.Sci.serted-by“：”crossref“，”doi“：”10.1016\/j.ymssp.2019.106587“，“article-title”：“机器学习在机器故障诊断中的应用：综述和路线图”，“volume”：“138”，“author”：“Lei”，“year”：“2020”，“journal-title“：“Mech。系统。信号处理。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0888-3270“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b30”，”doi-asserted-by“：”crossref“，”doi“：”10.1016\/j.ymssp.2021.108487作者：“李”，“年份”：“2022年”，“新闻标题”：“机械。系统。信号处理。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0888-3270“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b31”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.aei.2021.01480”，”article-title“：”多源域滚动轴承故障诊断的强化集成深度转移学习网络“，”volume“：51”，“author”：“Li”年份”：“2022年”，“新闻标题”：“高级工程师通知”。“，”ISSN“：”http:\/\/id.crossref.org/ISSN\/1474-0346“，”ISSN type“：”print“｝，｛”issue“：”4“，”key“：”10.1016\/j.engappai.2023107407_b32“，”doi断言“：”crossref“，”first page“：”2833“，”doi“：”10.1109\/TII.20230008010“，”文章标题“：”通过集成学习融合领域对抗性训练和最大平均差异进行智能故障诊断“，”卷：“17”，“作者”：“李”，“年份”：“2021”，“新闻标题”：“易译。Ind.通知。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/1551-3203“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b33”，“首页”：“1”，“article-title”：“旋转机械故障检测的自动自适应脊线提取”，“author”：“Li”，“year”：“2023”，“journal-title“：”IEEE\/ASME Trans.Mechatronics“}，”{“key”：”10.1016\/j.engappai.2023.107407_b34“，”doi-asserted-by“：”crossref“，”doi“：”10.1016\/j.ymssp.2023.110108“，”article-title“：”时频脊估计：时变速度下齿轮和轴承故障诊断的有效工具“，”volume“：”189“，“author”：“Li”，“year”：“2023”，“journal-title”：“Mech。系统。信号处理。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0888-3270“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b35”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.ress.2022.109036”，“article-title”：“使用具有对抗性差异匹配的多源域适配网络对旋转机械进行智能故障诊断”，“volume”：”231“，“作者”：“刘”，“年份”：“2023”，“新闻标题”：“Reliab。工程系统。安全。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0951-8320“，”ISSN-type“：“print”}，{“issue”：“3”，“key”：“10.1016\/j.engappai.2023.107407_b36”，“doi-asserted-by”：“crossref”，“first page”：”1310“，”doi“：”10.1109\/TII.2016.2645238“，”article-title“：”错位时间序列卷积神经结构：电机智能故障诊断方法”，“卷”：“13”，“作者”：“刘”，“年份”：“2017年”，“期刊标题”：“IEEE Trans。Ind.通知。“}，{”issue“：”12“，”key“：”10.1016\/j.engappai.2023.107407_b37“，”doi-asserted-by“：”crossref“，”first page“：“3071”，“doi”：“10.1109\/TPAMI.2018.2868685”，“article-title”：“深度适应网络的可转移表征学习”，“volume”：“41”，“author”：“Long”，“year”：“2019”，“journal-title“：”IEEE Trans.Pattern Anal.Mach.Intell.“}”，{“密钥”：“10.1016\/j.engappai.2023.107407_b38“，“series-title”：“第32届机器学习国际会议论文集，ICML 2015，法国里尔，2015年7月6日至11日”，“首页”：“97”，“文章标题”：“通过深度适配网络学习可转移特征”，“作者”：“Long”，“年份”：“2015”}，{“key”：“10.1016\/j.engappai.202310747_b39”，“series-title“：“联合适应网络的深度迁移学习”，“author”：“Long”，“year”：“2016”}，{“issue”：“5”，“key”：“10.1016\/j.engappai.2023.07407_b40”，“doi-asserted-by”：“crossref”，“doi”：“101088\/1361-6501\/ab0793”，“article-title”：“基于二维图像表示和传递学习-卷积神经网络的轴承故障诊断新方法”，“卷”：“30”，“作者”：“马”，“年份”：“2019”，“期刊标题”：“测量”。科学。Technol公司。“}，{”key“：”10.1016\/j.engappai.2023.107407_b41“，”doi-asserted-by“：”crossref“，”doi“：”101016\/j.autcon.2023.104885“，”article-title“：”建筑工地基于深度学习的主动噪声控制“，”volume“：“151”，”author“：”Mostafavi“，”year“：”2023“，”journal-title”：“Autom.Constr.”，”ISSN“：：”http://id.crossref.org\/iss.n\/0926-5805“，”ISSN-type“：”print“}，{“key”：“10.1016\/j.engappai.2023.07407_b42”，“doi-asserted-by”：“crossref”，“doi”：“10.23915\/extract.00003”，“article-title”：“反褶积和棋盘工件”，“author”：“Odena”，“year”：“2016”，“journal-title“：”Distilit“}，{”issue“：”10“，”key“10.1016”，“10.1016/j.engapbai.2023.107407~b43”，“doi-asserte-by”：“Cross”ref“，”首页“：”1345“，”doi“：“10.1109\/TKDE.2009.191”，“article-title”：“迁移学习调查”，“volume”：“22”，“author”：“Pan”，“year”：“2010”，“journal-title“：”IEEE Trans.Knowl.Data Eng.“，”ISSN“：”http://id.crossref.org\/ISSN\/1041-4347“，”ISSN-type“：“print”}，{“issue”：“6”，“key”：”10.1016\/j.engappai.2023.07407_b44“，”doi-as serted-by“：”crossref“，”首页“：”10“，”doi“：“10.1109\/TIE.2017.2767540”，“article-title”：“LiftingNet:一种新型深度学习网络，具有从噪声机械数据进行分层特征学习的功能，用于故障分类”，“volume”：“65”，“author”：“Pan”，”year“：“2018”，“journal-title“：IEEE Trans，Ind.Electron.”}，{“issue”：“7”，“key”：”10.1016\/j.engappai.2023.107407_b45“，”doi-asserted-by“：”crossref“，“首页”：“4949”，“DOI”：“10.1109\/TII.2020.2967557”，“article-title”：“强噪声和变载荷条件下轮对轴承故障诊断的多分支多尺度CNN”，“volume”：“16”，“author”：“Peng”，“year”：“2020”，“journal-title“：“IEEE Trans.Ind.Inform.”}，{“issue”：“2”，“key”：”10.1016\/j.engappai.2023.107407_b46“，“doi-asserted-by”：“crossref”，“first page”：“485”，“doi”：“10.1016\/j.ymssp.2010.07.017”，“article-title”：“滚动轴承诊断\u2014A教程”，“卷”：“25”，“作者”：“Randall”，“年份”：“2011”，“日志标题”：“机械系统信号处理”，“ISSN”：”http://\/id.crossp.org\/ISSN\/088-3270“，”ISSN-type“打印”}，{“键”：“10.1016\/j.engappai.2023.107407_b47”，“doi-asserted-by”：“crossref”，“doi”：“10.116\/j.aei.2023.2007”，“article-title”：“DenseSPH-YOLOv5:基于DenseNet和swin-transformer预测头戴式YOLOv 5的自动损伤检测模型，带注意机制”，“volume”：“56”，“author”：“Roy”，“year”：“2023”，“journal-title“：”Advv.Eng.Inform.“，“ISSN”：“http://\/id.crossref.org\/ISSN\/1474-0346”，“ISSN-type”：”print“}，{”key“：”10.1016\/j.engappai.2023.107407_b48“，”series-title“：”2018 IEEE\/CVF计算机视觉和模式识别会议“，”isbn-type“：“”：“无监督领域自适应的最大分类器差异”，“author”：“Saito”，“year”：“2018”，“ISBN”：“http:\/\/id.crossref.org/ISBN\/9781538664209”}，｛“issue”：“4”，“key”：“10.1016\/j.engappai.2023107407_b49”，“doi asserted by”：“crossref”，“first page”：“341”，“doi”：“10.1007\/s3748-20-00217-z”，“文章标题”：“使用机器学习算法进行轴承故障诊断”，“卷”：“9”，“作者”：“Sawaqed”，“年份”：“2020”，“日志标题”：“Prog.Artif.Intern.”，“ISSN”：“http://\/id.crossref.org\/ISSN\/2192-6352”，“ISSN-type”：”print“}，{“key”:“10.1016\/j.engappai.2023.107407_b50”，“doi-asserted-by”：“crossref”，“doi”：“10.1016 \/j.com引脚2020.103380“，“article-title”：“磨床轴承状态监测和预测维护的机器学习技术调查”，“卷”：“125”，“作者”：“Schwendemann”，“年份”：“2021”，“日志标题”：“Compute.Ind.”，“ISSN”：“http://\/id.crossref.org\/ISSN\/0166-3615”，“ISSN-type”：：“crossref”，“DOI”：“10.1016\/j.compind.2020.103380”，《article-title》：“磨床轴承状态监测和预测维护的机器学习技术综述”，“volume”：“125”，“author”：“Schwendemann”，”year“：“2021”，“journal-title”：“Compute.Ind.”，“ISSN”：”http://id.crossref.org\/ISSN\/0166-3615“，”ISSN-type“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b52”，“doi-asserted-by”：“crossref”，“首页”：“187”，”doi“：”10.1016\/j.ymssp.2017.03.034“，”article-title“：“旋转机械故障诊断的新型深度自动编码器特征学习方法”，“volume”：”95“，”author“：”Shao“，”“year”：“2017”，“journal-title”：“Mech.Syst.Signal Process.”，“ISSN”：“http://\/id.crossref.org\/issn\/0888-3270”，“issn-type”：“print”}，{“issue”：“4”，“key”：”10.1016\/j.engappai.2023.07407_b53“，”doi-asserted-by“：”crossref“，”first page“：”2446“，”doi“：”10.1109\/TII.2018.2864759“，”article-title“：”使用深度转移学习进行高精度机器故障诊断“，”volume“：“15”，“author”：“Shao”“，”年份“：”2019年“，“journal-title”：“IEEE Trans.Ind.Inform.”}，{“key”：“10.1016\/j.engappai.2023.107407_b54”，“series-title”：《AAAI人工智能会议论文集》，第32卷，“article-title（文章标题）”：“Wasserstein距离引导表征学习用于领域适应”，“author”：“Shen”，“year”：“2018”}、{“密钥”：“0.1016\/j.engapai.2023.07407_bb5”，“doi-asserted-by”：“crossref”，“first page”：“100”，“doi”：“10.1016\/j.ymssp.2015.04.021”，“article-title”：“利用案例西部储备大学数据进行滚动轴承诊断：基准研究”，“volume”：《64》，“author”：“Smith”，《year》：“2015”，“journal-title》：“Mech.Syst.Signal Process.”}，{“key”：”10.1016\/j.engappai.2023.107407_b56“，“series-title”：“Computer Vision\u2013 ECCV 2016 Workshops”，“isbn-type”：“print”，“doi-asserted-by”：“crossref”，“first page”：”443“，“doi”：“10.1007\/978-3-319-49409-8_35”，“article-title”：”Deep CORAL:深域适应的相关对齐“，”author：“Sun”，“year”：“2016”，“isbn”：：“http://\id.crossref.org\isbn\/97833194949098”}，{“键“：“10.1016\/j.engappai.2023.107407_b57”，“doi-asserted-by”：“crossref”，“doi”：“10.116\/j-engappai.2023.106395”，“article-title”：“具有自适应输入长度选择和轻量级结构的新型传递学习网络，用于轴承故障诊断”，“volume”：“123”，“author”：“Tang”，“year”：“2023”，“journal-title“：”Eng.Appl.Artif.Intell.“，“ISSN”：“http://\/id.crossref.org\/issn\/0952-1976”，“issn-type”：“print”}，{“issue”：“2”，“key”：”10.1016\/j.engappai.2023.07407_b58“，”doi-asserted-by“：”crossref“，”first page“：”1454“，”doi“：”10.116\/j.jfranklin.2022.11.004“，“article-title”：“基于时频信息融合的无监督跨域滚动轴承故障诊断”，“volume”：360英寸，“作者”：“Tao”，“年份”：“2023”，“期刊标题”：“J.Franklin Inst.B”，“ISSN”：“http://id.crossref.org/ISSN\/0016-0032”，“ISSN type”：“print”}，{“key”：“10.1016\/J.engappai.2023107407_b59”，“doi asserted by”：“crossref”，“非结构化”：“Ulyanov，Dmitry，Vedaldi，Andrea，Lempitsky，Victor，2017。改进的纹理网络：在前馈风格化和纹理合成中最大化质量和多样性。收录：IEEE计算机视觉和模式识别会议论文集。pp.6924\u20136932.“，”DOI“：”10.1109\/CVPR.2017.437“}，{“key”：“10.1016\/j.engappai.2023.107407_b60”，“series-title”：“模型验证和不确定性量化，第三卷”，“isbn-type”：”print“，”DOI-asserted-by“：”crossref“，“first page”：：“125”，“DOI”：“101007\/978-3-19-54858-6_13”，“article-title”：”结构损伤定位的无监督新颖性检测技术：比较研究”，“作者”：“Wang”，“年份”：“2017”，“ISBN”：“http://\/id.crossref.org\/ISBN\/9783319548586”}，{“问题”：“1”，“关键”：“10.1016\/j.engappai.2023.07407_b61”，“doi-asserted-by”：“crossref”，“首页”：“406”，“doi”：“101177\/1475921720934051”，“文章标题”：“无监督的深度学习方法，使用深度自动编码器和一类支持向量机检测损坏”，“卷”：“20”，“作者”：“王”，“年份”：“2021”，“新闻标题”：“结构”。健康监测。“}，{”key“：”10.1016\/j.engappai.2023.107407_b62“，”doi-asserted-by“：”crossref“，”doi“：”101002\/eng2.12551“，”article-title“：”用于结构损伤检测的无监督机器和深度学习方法：比较研究“，”author“：”Wang“，”year“：”2022“，”journal-title:“Eng.Rep.”}，”{“issue”：“7”，“key”：“10.1016//j.engapbai.2023.107407_b63“，”doi断言者：“crossref”，“首页”：“1068”，“doi”：“10.3390\/rs10071068”，“文章标题”：“高光谱图像分类的快速密集光谱空间卷积网络框架”，“卷”：“10”，“作者”：“王”，“年”：“2018”，“期刊标题”：“遥感传感器”}，{“问题”：“8”，“关键”：“10.1016\/j.engappai.2023107407_b64”，“doi断言者：”crossref“，”first page“：”8430“，”DOI“：”10.1109\/TIE.2021.3108726“，”article-title“：”滚子轴承故障诊断的子域自适应传递学习网络“，”volume“：“69”，”author“：”Wang“，”year“：”2022“，”journal-title”：“IEEE Trans。Ind.Electron公司。“}，{”issue“：”Pt B“，”key“：”10.1016\/j.engappai.2023.107407_b65“，”doi-asserted-by“：”crossref“，”first page“：“470”，”doi“：”101016\/j.isatra.2021.1028“，”article-title“注意引导联合学习CNN，具有噪声鲁棒性，用于轴承故障诊断和振动信号去噪”，“volume”：“128”，“author”：“Wang”，“year”：“2022”，“journal-title”：“”ISA事务。“}，{”issue“：”7“，”key“：”10.1016\/j.engappai.2023.107407_b66“，”doi-asserted-by“：”crossref“，”first page“：“5990”，”doi“：”101109\/TIE.2017.2774777“，“article-title”：“一种基于卷积神经网络的新型数据驱动故障诊断方法”，“volume”：“65”，“author”：“Wen”，“year”：“2018”，“journal-title“：”IEEE Trans.Ind.Electron.“}”，{“key”“：”10.1016\/j.engappai.2023.07407_b67“，“series-title”：“2019 IEEE第23届计算机支持的协同设计国际会议（CSCWD）”，“isbn-type”：“print”，“doi-asserted-by”：“crossref”，“first-page:”205“，”doi“：”10.1109\/CSCWD.2019.8791884“，”article-title“：”基于VGG-19网络的故障诊断新迁移学习“，”author“：”Wen“，”year“：”2019“，”ISBN“：”http://\/id.crossref.org\/ISBN\/9781728103501“}，{”key“：“年份”：“2021年”，“journal-title“：”Measurement“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0263-2241“，”ISSN-type“：“print”}，{“issue”：“4”，“key”：“10.1016\/j.engappai.2023.107407_b69”，“doi-asserted-by”：“crossref”，“first page”：”2871“，“doi”：“101007\/s10462-022-10230-4”，“article-title”：“机械诊断和预测的迁移学习调查”，“卷”：“56”，“作者：“姚明”，“年份”：“2023年”，“新闻标题”：“Artif。智力。Rev.“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0269-2821“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.07407_b70”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.ymssp.2022.109856”，“article-title”：“基于激活时域图像和深度学习的旋转机械冲击检测：在铁路车轮平面检测中的应用”，“卷：“186”，“作者”：“叶”，“年份”：“2023”，“新闻标题”：“机械”。系统。信号处理。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0888-3270“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b71”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.measurement.2022.111494”，“article-title”：“滚动轴承复合故障诊断的功率谱密度导引变分模式分解”，“volume”：”199“，”author“：”Yi“，”year“：”2022“，”journal-title“：”Measurement“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0263-2241“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.07407_b72”，“article-title”：“旋转机械故障诊断的自适应谐波积谱”，“volume”：”72“，”author“：”Yi“”，“year”：“2023”，“journal-title”“：”IEEE Trans.Instrum.Meas.“}，{”key“：”10.1016\/j.engappai.2023.107407_b73“，”doi-asserted-by“：”crossref“，”first-pages“：”439“，”doi“：”101016\/j.ymssp.2017.06.022“，”article-title“：”带新训练方法的深度卷积神经网络，用于在噪声环境和不同工作负荷下进行轴承故障诊断“，”volume“：“100”，”author“：”Zhang“，”year“：”2018“，”journal-title:“”机械。系统。信号处理。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0888-3270“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b74”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.ymssp.2022.108990”，“article-title”：“一种面向实时智能故障诊断的不变性和特异性相结合的域泛化网络”，“volume”：”173“，”author“：”Zhao“，”年份”：“2022年”，“新闻标题”：“机械。系统。信号处理。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0888-3270“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b75”，“series-title”：“用于智能故障诊断的无监督深度转移学习：一项开放源代码和比较研究”，“author”：“Zhao”，“year”：“2019”}、{“key”：”10.1016\/j.engappai.2023.107407_b76“，”doi-asserted-by“：“交叉引用”，“DOI“：”10.1109\/TIM.2021.3116309“，”article-title“：”无监督深度转移学习在智能故障诊断中的应用：调查与比较研究“，”volume“：”70“，”author“：”Zhao“，”year“：”2021“，”journal-title”：“Ieee Trans。仪器。测量。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/0018-9456“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b77”，“article-title”：“旋转机械交叉工况故障诊断用多通道信号驱动的集合传输CNN”，“volume”：”207“，”author“：”Zhiyi“，”year“：”2020“，”journal-title“：”Knowl.-Based Syst.“，”“ISSN”：http://\/id.crossref.org\/issn\/0950-7051“，”issn-type“：”print“}，{“key”：“10.1016\/j.engappai.2023.107407_b78”，”doi-asserted-by“：”crossref“，”doi“：”10.1016\/j.comnet.2020.107247“，”article-title“：”基于特征选择和集成分类器构建高效入侵检测系统“，”volume“：“174”，“author”：“Zhou”，“year”：“2020”，“journal-title“：”计算。Netw公司。“，”ISSN“：”http://\/id.crossref.org\/ISSN\/1389-1286“，”ISSN-type“：“print”}，{“key”：“10.1016\/j.engappai.2023.107407_b79”，“article-title”：“基于频谱谐波噪声比的旋转机械状态监测盲解卷积方法”，“author”：“Zhou”，“year”：“2023”，“journal-title“：”IEEE Trans.Autom.Sci.Eng.“}，”{“key”：”10.1016\/j.engapai.2023.107407_b80”，“文章标题”：“用于机器状态监测的基于最大谱谐波噪声比去卷积的多节点特征学习网络”，“作者”：“周”，“年份”：“2023”，“期刊标题”：“IEEE Trans。自动。科学。工程师“}，{”key“：”10.1016\/j.engappai.2023.107407_b81“，”series-title“：”多目标稀疏最大模式分解：高速列车轴箱旋转机械故障诊断的新方法“，”author“：”Zhou“，”year“：”2023“}“，{问题”：“4”，“key”：“10.1016\/j.engeappai.2023.107407_b82”，“doi-asserted-by”：“crossref”，“首页”：“1307”，“doi”：“10.1177\/14613484221104639“，“文章标题”：“基于奇异谱分析和宽卷积核神经网络的滚动轴承故障诊断”，“卷”：“41”，“作者”：“朱”，“年份”：“2022”，“期刊标题”：《J.低频噪声振动》。行动。Control“}，{”issue“：”1“，”key“：”10.1016\/j.engappai.2023.07407_b83“，”doi-asserted-by“：”crossref“，”first page“：“43”，“doi”：“10.1109\/JPROC.2020.3004555”，“article-title”：“迁移学习综合调查”，“volume”：“109”，“author”：“庄”，“year”：“2021”，“journal-title“：”Proc.IEEE“}”，{“issue”：“6”，“key”“：”10.1016\/j.engappai.2023.107407_b84“，”doi-asserted-by“：”crossref“，”first page“：”3461“，”doi“：”10.1109\/TSMC.2022.3225381“，”article-title“：”输入约束下非均匀试验长度线性系统的最优迭代学习控制方法“，”volume“：“53”，”author“：”Zhuang“，“year”：“2023”，“journal-title”：“IEEE Trans。系统。网络人：系统。“}，{”issue“：”2“，”key“：”10.1016\/j.engappai.2023.107407_b85“，”doi-asserted-by“：”crossref“，”first page“：“548”，”doi“：”101109\/TCCN.2020.2966615“，”article-title“：”一种具有时空数据分析的微服务架构智能异常检测方案“，”volume“：IEEE传输。认知。Commun公司。Netw公司。“}]，”container-title“：[”人工智能的工程应用“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\\/api.elsevier.com/content\/article\/PII:S0952197623015919？httpAccept=text\/xml“，”content-type“：”text\/xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，”{“URL”：“”https:\/\/api.elsevier.com/content\/article\/PII:S0952197623015919？httpAccept=text\/plain“，”content-type“：”text\/prain“，“content-version”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2023,11,23]]，“date-time”：“2023-11-23T03:30:12Z”，“timestamp”：1700710212000}，“score”：1，“resource”：{primary“：{”URL“https:\\/linkinghub.elsevier.com//retrieve\/pii\/S09521976 23015919“}}，”副标题“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[[2024,1]]}，”references-count“：85，”alternative-id“：[”S0952197623015919“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.engappai.2023.107407“，”relationship“：{}，“ISSN”：[“0952-1976”]，“ISSN-type”：[{“value”：“0952-1976”，“type”:“print”}]，“subject”：[]，“published”：{“date-parts”：[[2024,1]]}，“assertion”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“本文由”}，{“value”：“一个基于并行集成优化和迁移学习的轴承智能故障诊断框架”，“name”：“articlettle”，“label”：“article Title”}，{“value”：“人工智能的工程应用”，“name”：“journaltitle”，“label”：“Journal Title”}，{“value”：“https:\/\/doi.org\/10.1016\/j.engappai.2023.107407“，”name“：”articlelink“，”label“：”CrossRef doi link to publisher maintained version“}，”{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，{“value”：“\u00a9 2023 Elsevier Ltd.保留所有权利