Disentangle-and-aggregate feature learning (DAFNet) for motor bearing fault diagnosis

Abstract To address the issues of parameter redundancy and low computational efficiency in traditional convolutional neural networks (CNNs) for motor bearing fault diagnosis, which are caused by increasing network depth, this paper proposes a Disentangle-and-Aggregate Feature Learning Network (DAFNe...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής

Κύριοι συγγραφείς:	Jing Tang, Canjun Xiao, Dong Guo, Jiao Bao, Xu Ji, Chenyu Wang
Μορφή:	Artigo
Γλώσσα:	Inglês
Έκδοση:	Nature Portfolio 2026-02-01
Σειρά:	Scientific Reports
Θέματα:	Motor bearing Fault diagnosis DAFNet Lightweight
Διαθέσιμο Online:	https://doi.org/10.1038/s41598-025-34490-6
Ετικέτες:	Προσθήκη ετικέτας Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!