SVD 특징 추출 및 전이 학습 분류에 기반한 베어링 결함 진단

이 논문은 다양한 운영 조건에서 베어링의 진단 성능을 향상시키기 위한 전이 전략을 제안하여 베어링 결함 진단을 위한 전이 학습 기반 접근 방식을 제시합니다. 전이 학습의 주요 아이디어는 선택적 보조 데이터를 활용하여 목표 데이터 분류를 지원하는 것으로, TrAdaBoost 알고리즘에서 이들 간의 가중치 조정이 포함되어 진단 능력을 향상시킵니다. 또한, 유사성 판단을 통해 부정적 전이를 피하여 제시된 접근 방식의 정확성을 향상시키고 계산 부하를 줄입니다. 전이 학습과 전통적 기계 학습 간의 실험적 비교를 통해 제안된 알고리즘이 베어링 결함 진단에 있어 우수성을 입증하였습니다.