{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期部分”：[[2024,4,18]]，“日期时间”：“2024-04-18T02:08:01Z”，“时间戳”：1713406081446}，“参考计数”：36，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{“日期部分“：[2024,6,1]]，”“日期时间“：”2024-06-01T00:00:00 0Z”，“时间戳”：1717200000000}，“内容-版本”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com//tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[[2024,6,1]]，“date-time”：“2024-06-01T00:00:00Z”，“timestamp”：1717200000000}，“content-version”：“tdm”，“delay-in-days”：“0，”URL“https:\\/www.else vier.com/legal\/tdmr.ep-license“}，{“开始”：{“日期-部分”：[[2024,6,1]]，“日期-时间”：“2024-06-01T00:00:00Z”，“timestamp”：1717200000000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-017”}，{“start”：{“date-parts”：[[2024,6,1]]，“date-time”：“2024-06-01T00-00:00Z”in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-037“}，{“start”：{“date-parts”：[[2024,6,1]]，“date-time”：“2024-06-01T00:00:00Z”，“timestamp”：1717200000000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-012”}，{“start”：{（日期-部件）：[[2024,6,1]，“日期-时间”：“204-06-01T00:00Z”，《时间戳》：171 7200000000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[[2024,6,1]]，“date-time”：“2024-06-01T00:00:00Z”，“timestamp”：1717200000000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“http:\/\/doi.org\/10.15223\/policy-004”}]，“content-domain“：{”domain“[”elseviv er.com“，”sciencedirect.com“]，”crossmark-restriction“：true}，“short-container-title”：[“基于知识的系统”]，“published-print”：{“date-parts”：[[2024,6]]}，“DOI”：“10.1016\/j.knosys.2024.111679”，“type”：“日记文章”，“created”：{“date-parts”：[[2024,3,20]]，“date-time”：“2024-03-20T21:40:31Z”，“timestamp”：1710970831000}，”page：“111679“，”update-policy“http:\”\\/dx.DOI.org\\10.1016\/elsevier_cm_policy“，”源“：“Crossref”，“is-referenced-by-count”：0，“title”：[“深度自适应稀疏残差网络：旋转机械领域增量故障诊断的终身学习框架”]，“prefix”：“10.1016”，“volume”：“293”，“author”：[{“给定”：“Yan”，“family”：“Zhang”，“sequence”：“first”，“affiliation”：[]}，{“given”：”Changqing“，“faily”：”Shen“sequency”：“additional”，“affiliation”：[]}，{“given”：“Juanjuan”，“family”：“Shi”，“sequence”：“additive”，“filiation“：[]{”given“：”川“，”family“：”李“，”sequence“：”additional“，”affiliance“：[]}，”givent“：”新海“，”家人“：”林“，”序列“：附加“，”从属“：[]}，{“给定”：“Dong”，“family”：“Wang”，“sequence”：“additional”，“affiliation”：[]}]，“member”：“78”，“reference”：[{“key”：“10.1016\/j.knosys.2024.111679_bib0001”，“article-title”：“滚动轴承跨域故障诊断的基于自监督学习的双分类器域自适应模型”，“author”：“Jiang”，“year”：“2023”，“journal-title“：”“Knowl.based Syst.”}，{“key”：“10.1016\/j.knosys.2024.111679_bib0002”，“doi-asserted-by”：“crossref”，“doi”：“10.116\/j.ress.2022.108648”，“article-title”：“分布外检测辅助可靠机械故障诊断方法与不确定性感知深度集成”，“volume”：“226”，“author”：“Han”，”year“2022”，”journal-title“：”Reliab.Eng.Syst.Saf.“}，{”issue“3”，“key”：“10.1016\/j.knosys.2024.111679_bib0003”，“doi-asserted-by”：“crossref”，“first page”：”931“，“doi”：“101007\/s10845-021-01861-5”，“article-title”：“人工智能在旋转工业机器故障诊断中的应用：最新进展”，“volume”：第34页，“author”：“Singh”，“year”：“2023”，”journal-title“：”j.Intell.Manuf.“}，{“key”：“10.1016\/j.knosys.2024.111679_bib0004”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.ymssp.2023.110489”，“article-title”：“旋转机械故障引起的振动信号调制效应：机理、提取方法和诊断应用综述”，“volume”：：“机械系统信号处理”}，{“key”：“10.1016\/j.knosys.2024.111679_bib0005”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.engappai.2023.107357”，“article-title”：“基于集成学习的故障诊断文献综述”，“volume”：”127“，“author”：“Mian”，“year”：“2024”，“journal-title“：”Eng.Appl.Artif.Intell.“}，}”问题“：“1”，“key”：“10.1016\/j.knosys.2024.111679_bib0006”，“doi-asserted-by”：“crossref”，“first page”：“45”，“doi”：“10.116\/j.cja.2021.10.006”，“article-title”：“基于深度域适配的旋转机械故障检测与诊断：调查”，“volume”：《36》，“author”：“Zhang”，“year”：“2023”，“journal-title》：“Chin.j.Aeronaut.”}，{“key”：“10.1016\/j.knosys.2024.111679_bib0007”，“doi-asserted-by”：“crossref”，“doi”：“10.116\/j.coceaneng.2023.116275”，“article-title”：“基于部件可分离同步提取变换的海上风电机组故障诊断”，“volume”：“291”，“author”：“Cui”，“year”：“2024”，“journal-title“：”“Ocean Eng.”}，{“key”：，“article-title”：“基于转移学习的旋转机械故障诊断：文献综述”，“author”：“Misbah”，“year”：“2023”，“journal-title“：“Knowl.based Syst.”}，{“key”：“10.1016\/j.knosys.2024.111679_bib0009”，“doi-asserted-by”：“crossref”，”doi“10.1109\/TMECH.2023.3243533”：“一种用于故障诊断的自适应激活迁移学习方法”，“作者”：“Chen”，“年份”：“2023”，“期刊标题”：“IEEE\/ASME Trans.Mechatron.”}，｛“key”：“10.1016\/j.knosy.2024.111679_bib0010”，“doi asserted by”：“crossref”，“doi”：“10.1016\/j.knosy.2023.111093”，“文章标题”：“联合对比原型学习：一种具有数据隐私的高效协同故障诊断方法”，“卷”：“281”，“作者”：“王”，“年份”：“2023”，“日志标题”：“基于知识的系统”}，{“键”：“10.1016\/j.knosys.2024.111679_bib0011”：“深度学习在旋转机械智能故障诊断中的应用综述”，“作者”：“朱”，“年份”：“2022年”，“期刊标题”：“测量”}，{“关键”：“10.1016\/j.knosys.2024.111679_bib0012”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.ress.2023.10961”，“文章标题”：“旋转机械数据不平衡故障诊断的图形嵌入深度广义学习系统”，“卷”：“240”，“作者”：“史”，“年份”：“2023”，“日志标题”：“Reliab.Eng.Syst.Saf.”}，{“键”：“10.1016\/j.knosys.2024.111679_bib0013”，”doi-asserted-by“：”crossref“，”first page“：”11651“，”doi“10.1016 \/j.measurement.2022.11651”，“article-title”：“结合优化支持向量数据描述和优化支持向量机的旋转机械两阶段故障诊断方法”，“卷”：“200”，“作者”：“张”，“年份”：“2022”，“期刊标题”：“测量”}，{“问题”：“4”，“关键”：“10.1016\/j.knosys.2024.111679_bib0014”，”文章标题“：“基于MEEMD能量熵和人工神经网络的矿用异步电动机故障诊断”，“卷”：“92”，“作者”：“杨”，“年份”：“2021”，“期刊标题”：“计算机电气工程”}，{“问题”：“3”，“关键”：“10.1016\/j.knosys.202111679_bib0015”，“doi断言者”：“crossref”，“首页”：“302”，“doi”：“10.1109\/TMS.20192917521”，“文章标题”：“使用自关注卷积神经网络对半导体制造中的可变长度传感器数据进行故障检测和诊断”，“卷”：“32”，“作者”：“Kim”，“年份”：“2019”，“日志标题”：“IEEE Trans.Semicond.Manuf.”}，{“键”：“10.1016\/j.knosys.2024.111679_bib0016”，“doi-asserted-by”：“crossref”，“doi”：“1016\/j.rser.2020.110512”，“article-title”：“人工神经网络在光伏故障检测和诊断中的应用：综述”，“卷”：“138”，“作者”：“李”，“年份”：“2021年”，“期刊标题”：“可再生可持续能源评论”}，{“关键”：“10.1016\/j.knosys.2024.111679_bib0017”，“doi-asserted-by”：“crossref”，”doi“10.1016 \/j.eswa.2022.117473”，“artice-title“：“一种基于贪婪策略的新型分层超参数搜索算法用于风机故障诊断”，“卷”：“202”，“作者”：“张”，“年份”：“2020”，“日志标题”：“专家系统应用”}，{“键”：“10.1016\/j.knosys.2024.111679_bib0018”，“doi-asserted-by”：“crossref”，”doi“：”10.1016\/j.compind.2020.103378“，”article-title“：“旋转机械故障检测与诊断：基于卷积LSTM、快速傅立叶和连续小波变换的模型”，“卷”：“125”，“作者”：“贾拉耶”，“年份”：“2021”，“日志标题”：“计算指标”}，{“键”：“10.1016\/j.knosys.2024.111679_bib0019”，“doi-asserted-by”：“crossref”，“首页”：“1”，”doi“：“10.1016\/j.isatra.2021.11.040”，“article-title”：“小样本下机械故障诊断中的生成性对抗网络：应用系统综述和未来展望”，“volume”：“128”，“author”：“Pan”，“year”：“2022”，“journal-title“：ISA Trans.”}，{“key”：：“10.1016\/j.ymssp.2023.110395”，“article-title”：“基于一维卷积神经网络的自适应算法结构，具有系统故障诊断和信号特征提取，用于机械系统的噪声和振动增强”，“volume”：“197”，“author”：“Hong”，“year”：“2023”，“journal-title“：“Mech.Syst.signal.Process.”}，{“key”：“10.1016\/j.knosys.2024.111679_bib0021”，“首页”：“1”，《文章-标题》：“ICoT-GAN:有限数据条件下滚动轴承故障诊断用集成卷积变压器GAN”，“卷”：“72”，“作者”：“高”，“年份”：“2023”，“日志标题”：“IEEE Trans.Instrum.Meas.”}，{“键”：“10.116\/j.knosys.2024.111679_bib20022”，“doi-asserted-by”：“crossref”，“DOI”：“10.1016\/j.ymssp.2023.110534”，“article-title”：“使用动态图嵌入机制改进的GNN：可变工况下滚动轴承故障诊断的新型端到端框架”，“volume”：“200”，“author”：“Yu”，“year”：“2023”，“journal-title“：“Mech.Syst.Signal.Process”}，{“key”：“10.1016\/j.knosys.2024.111679_bib0023”，“doi-asserted-by”：“crossref”，“first page”：“121”，”doi“：”10.1016\/j.neucom.2020.04.045“，”article-title“：”机械故障诊断深度转移学习的系统综述“，”volume“：”407“，”author“：”Li“，”year“：”2020“，”journal-title”：“Neurocomputing”}，{“key”：4英寸，“doi-asserted-by”：“crossref”，“doi”：“10.1016\/j.ymssp.2022.109884”，“article-title”：“用于跨机器故障诊断的深度鉴别转移学习网络”，“volume”：“186”，”author“：”Qian“，”year“：”2023“，”journal-title“：”Mech.Systal.Signal.Process“}，{”key“：”10.1016\/j.knosys.2024.11179_bib0025“，”doi-assert-by“：”crossref.“，”doi“：“10.1016\/j.knosys.2022.109846”，“article-title”：“基于改进的堆叠自动编码器的传递学习，用于轴承故障诊断”，“volume”：“256”，“author”：“Luo”，“year”：“2022”，“journal-title“：”Knowl.based Syst.“}，{“key”：”10.1016\/j.knosys.2024.111679_bib0026“，”doi-asserted-by“：”crossref“，”first page“1”，“doi”：“10.1109\/TIM.2022.32164 13英寸，“article-title”：“多歧视深度加权对抗网络在跨机器故障诊断中的部分转移学习”，“volume”：“71”，“author”：“Wang”，“year”：“2022”，“journal-title“：”IEEE Trans.Instrum.Meas.“}，{“key”：”10.1016\/j.knosys.2024.111679_bib0027“，”doi-asserted-by“：”crossref“，”doi“：”10.116\/j.knosys.2022.108443“，“article-title”：“多视角深度迁移学习模型：在不同工作条件下轴承智能故障诊断的一个有前途的工具”，“卷”：“243”，“作者”：“李”，“年份”：“2022”，“日志标题”：“基于知识的系统”}，{“问题”：“6”，“关键”：“10.1016\/j.knosys.2024.111679_bib0028”，“doi-asserted-by”：“crossref”，“首页”：“361”，“doi”：“10.1016\/j.cja.2022.08.019”，“article-title”：“连续学习故障诊断：用于机器增量故障诊断的双分支自适应聚合残差网络”，“volume”：“36”，“author”：“Bojian”，“year”：“2023”，“journal-title“：”Chin.j.Aeronaut.“}，{”key“：”10.1016//j.knosys.2024.111679_bib0029“，”doi-asserted-by“：”crossref“，“first page”：“400”，“DOI”：“10.1016\/j.isatra.2022.10.014”，“article-title”：“通过增加故障样本、故障模式和运行条件，改进机械智能故障诊断的广泛学习系统”，“volume”：”136“，“author”：“Fu”，“year”：“2023”，“journal-title“：ISA Trans.”}，{“key”：，“doi断言者”：“crossref”，“首页”：“228”，“doi”：“10.1016\/j.neuet.20221.025”，“文章标题”：“SSA-ICL:面部表情识别的数据集内连续学习的多领域自适应注意力”，“卷”：“158”，“作者”：“Gao”，“年份”：“2023”，“期刊标题”：“Neural Netw.”}，{“key”：“10.1016\/j.knosys.202111679_bib0031”，“doi-asserted-by”：“crossref”，“first page”：“1185”，“doi”：“10.1038\/s42256-022-00568-3”，“article-title”：“三种增量学习”，“volume”：”4“，“author”：“Van d V G”，“year”：“2022”，“journal-title“：Nat.Machine Intell.”}，{“key”：《10.1016\/j.knosys.2024.111679_bib0032》，“series-title”：“第35届神经信息处理系统国际会议论文集”，“article-title”：“Mest:准确快速的边缘记忆经济稀疏训练框架”，“volume”：“34”，“author”：“Yuan”，“year”：“2021”}，{“key”：”10.1016\/j.knosys.2024.111679_bib0033“，”article-title“：“基于生成特征回放的轴承增量故障诊断终身学习方法”，“作者”：“刘”，“年份”：“2023”，“日志标题”：“IEEE Trans.Instrum.Meas.”}，{“key”：“10.1016\/j.knosys.2024.111679_bib0034”，“series-title”：“第36届神经信息处理系统国际会议论文集”，“article-title”：“SparCL:边缘稀疏连续学习”，“volume”：“35”，“author”：“Wang”，“year”：“2022”}，{“key”：”10.1016\/j.knosys.2024.111679_bib0035“，“series-title”：“2017 IEEE计算机视觉与模式识别会议论文集”，“首页”：“5533”，“文章标题”：“iCaRL:增量分类器和表示学习”，“作者”：“Rebuffi”，“年份”：“2017”}，{“关键”：“10.1016\/j.knosys.2024.111679_bib0036”，“系列标题”：“2019 IEEE \/CVF计算机视觉和模式识别（CVPR）会议记录”，“首页”：“831”，“文章标题”：“通过重新平衡逐步学习统一分类器”，“作者”：“侯”，“年份”：“2018”}]，“容器标题”：[“基于知识的系统”]，“原文标题”：[]，“语言”：“en”，“链接”：[{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S0950705124003149？httpAccept=text\/xml”，“content-type”：“text\/xml”，“content-version”：“vor”，“intended-application”：“text-mining”}，{“URL”：“http:\/\-api.elsevier.com\/content\/artracle\/PI:S095705124003149？httpAccess=text\/plain”：“vor”，“intended-application”：“text-mining”}]，“deposed”：{“date-parts”：[[2024,4,17]]，“date-time”：“2024-04-17T12:07:28Z”，“timestamp”：1713355648000}，“score”：1，“resource”：{primary“：{”URL“https:\/\/linkinghub.elsevier.com\/retrieve\/pii\/S0950705124003149”}}，”subtitle“：[]，”shorttitle“：[]，”issued“日期parts“：[[2024,6]]}，“references-count”：36，“alternative-id”：[“S0950705124003149”]，“URL”：“http://\/dx.doi.org\/10.1016\/j.knosys.2024.111679”，“relation”：{}，“ISSN”：[”0950-7051“]，“ISSN-type”：[{“value”：“0950-7041”，“type”:“print”}]，“subject”：【】，“published”：{“date-parts”：[2024,6]}，，“name”：“publisher”，“label”：“本文由”}，{“value”维护”：“深度自适应稀疏残差网络：具有域增量的旋转机械故障诊断终身学习框架”，“name”：“articletite”，“label”：“Article Title”}，{“value”：“Knowledge-Based Systems”，“name”：“journaltitle”，“table”：“Journal Title“}，”{“value”：“https:\/\/doi.org\/101016\/j.knosys.2024.111679”，“name:”articlelink“，“label”：“CrossRef DOI link to publisher maintained version”}，{“value”：“article”，“name”：“content_type”，“lable”：“content-type”}