CN108614548A - 一种基于多模态融合深度学习的智能故障诊断方法 - Google Patents

一种基于多模态融合深度学习的智能故障诊断方法 Download PDF

Info

Publication number
CN108614548A
CN108614548A CN201810658792.XA CN201810658792A CN108614548A CN 108614548 A CN108614548 A CN 108614548A CN 201810658792 A CN201810658792 A CN 201810658792A CN 108614548 A CN108614548 A CN 108614548A
Authority
CN
China
Prior art keywords
layer
data
fusion
fusion features
modal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810658792.XA
Other languages
English (en)
Other versions
CN108614548B (zh
Inventor
李慧芳
赵蕾蕾
胡光政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Publication of CN108614548A publication Critical patent/CN108614548A/zh
Application granted granted Critical
Publication of CN108614548B publication Critical patent/CN108614548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于多模态融合深度学习的智能故障诊断方法，属于工业设备故障诊断技术领域。本方法分别提取结构化数据与非结构化数据中所隐含的故障特征，对所提取到的不同故障特征进行有机融合，使用softmax分类器进行故障分类，实现对工业设备健康状况的预测与诊断。通过此方法可以良好地实现对来自不同传感器的多模态异构数据的故障特征提取、特征融合与故障分类。本发明可以良好地实现对来自不同传感器的多模态异构数据的故障特征提取、特征融合与故障分类，节约了诊断成本，具有一定的通用性，可将其推广到各种不同的工业设备故障诊断中。

Description

一种基于多模态融合深度学习的智能故障诊断方法
技术领域
本发明涉及一种基于深度学习的智能故障诊断方法，属于工业设备故障诊断技术领域。
背景技术
在航空航天等复杂工业生产制造程中，涉及大量大型的复杂设备，一旦设备发生故障且未能及时排除或修复，将对企业、国家乃至人类社会造成巨大的经济损失。为了避免这类问题的发生，借助于运行的工业大数据对工业设备的健康状况进行有效评估与预测，以便及时进行故障识别与诊断是非常重要的。
智能故障诊断方法在预测潜在设备故障与识别当前故障类型时起着重要作用。现有智能故障诊断方法绝大多数基于单一信号源或单一结构的设备运行历史数据。但是，随着工业互联网应用的不断深入，工业设备故障信息的采集方式日趋多样化与多源化，为采用不同类型的智能传感器收集与设备状态和性能相关的不同模态的数据提供了无限可能。对于大型复杂工业设备，一方面，单个传感器采集的设备运行数据所包含的故障信息非常有限，另一方面，基于单一模态数据所提取故障特征信息，由于不完全的故障特征表达，使故障诊断结果具有不确定性、可信度也不高，难以有效支持关键工业设备的智能化运维管理与决策。
目前，利用多模态数据进行工业设备运行故障诊断的方法，主要存在以下不足：首先，多数研究使用传统的机器学习方法，如SVM(Support Vector Machine)支持向量机、KNN(K-NearestNeighbor)邻近算法等，这些方法属于浅层机器学习，其计算复杂度与空间复杂度都很高，且难以学习复杂的非线性映射关系，只适合处理小批量的数据。其次，故障特征选择与提取过程很大程度上依赖于信号处理技术和故障诊断相关的领域知识，而这些知识的获取耗时太多且成本很高。还有，多数故障诊断方法的研究采用不同模态、相同结构的设备运行历史数据。也就是说，现有数据驱动的故障诊断方法，要么采用单一数据源，要么采用单一结构的数据。可是，利用设备运行的不同模态、异构的数据来进行故障特征提取与融合，并进行故障综合识别方面的研究刚刚起步，如何有效使用和融合来自不同传感器的多模态、异构数据进行设备故障预测与识别，是当今大型复杂工业设备故障诊断面临的挑战问题。
发明内容
本发明的目的是为了克服已有技术的缺陷，为了解决基于多模态、异构数据提取全方位故障信息，并进行设备故障的智能诊断问题，提出了一种基于多模态融合深度学习的智能故障诊断方法。
本发明方法是通过下述技术方案实现的：
在设备运行过程中产生的结构化数据与非结构化数据的基础上，运用本发明所提出的一种基于多模态融合深度学习的智能故障诊断方法，分别提取结构化数据与非结构化数据中所隐含的故障特征，对所提取到的不同故障特征进行有机融合，实现对工业设备健康状况的预测与诊断。
一种基于多模态融合深度学习的智能故障诊断方法，其模型结构如图1所示，包括以下步骤：
步骤一：将非结构化数据作为卷积神经网络的输入，获得非结构化数据所表达的故障特征。
具体的说，在CNN(Convolutional Neural Network)卷积神经网络中，通过卷积与池化等操作进行故障特征提取。CNN结构由卷积层、子采样层和全连接层组成。设CNN全连接层的输出维数为NC，CNN全连接层的输出(vc向量属于1×Nc维的空间)是卷积神经网络提取到的非结构化数据所表达的故障特征。
步骤二：将结构化数据作为深度神经网络的输入，获得结构化数据所表达的故障特征。
具体地说，在DNN(Deep Neural Network)深度神经网络中，通过多隐含层的映射和转换过程实现故障特征提取。DNN是一种具有许多(通常多于两个)隐藏层的传统多层感知器，第一个隐藏层从原始数据中提取基本的低层特征，后继隐藏层将它们逐层转换成更抽象的高层特征。相对于前面隐藏层的低层特征，这些高层特征能够更加精确地描述数据分布。DNN可以自适应地从样本数据中学习到一些深层隐藏的规律，而不需要特定领域的专业知识。假设DNN最后一层隐含层的输出维数为ND，那么DNN最后一层隐含层的输出(vD向量属于1×ND维的空间)就是深度神经网络提取到的结构化数据所表达的故障特征。
步骤三：设计特征融合层与分类器，其中特征融合层用于将从结构化数据与非结构化数据中提取到的故障特征进行融合，使用softmax分类器进行故障分类。
具体地说，首先，设计包含多个隐含层的特征融合层，假设特征融合层包含两层隐含层，且其第一层与第二层的神经元个数分别为NF1、NF2。然后，将CNN的全连接层和DNN的最后一层隐含层中的神经元，与特征融合层中第一个隐含层的神经元进行全连接。这个全连接操作用于将多模态异构数据的特征提取无缝集成到特征融合中。之后，为了实现多模态异构数据故障特征的自适应融合，将步骤一与步骤二中提取到的不同模态异构数据的故障特征(CNN的全连接层的输出与DNN最后一层隐含层的输出)连接，构造一个特征向量(vin向量属于1×(NC+ND)维的空间)：
将vin作为特征融合层第一个隐含层的输入，在特征融合层的多个隐含层中，对特征向量vin进行融合映射，如公式(2)、(3)。
UF1＝f(WF1(vin)T+bF1) (2)
UF2＝f(WF2UF1+bF2) (3)
其中WF1是第一层特征融合层的权重矩阵，bF1是第一层特征融合层的偏置，(vin)T表示vin向量的转置，UF1是第一层特征融合层的输出，f是激活函数，WF2是第二层特征融合层的权重矩阵，bF2是第二层特征融合层的偏置，UF2是从多模态异构数据中提取到的不同故障特征的融合结果，是捕获到的多模态数据所表达的故障融合特征。
最后，设UF2为特征融合层最后一个隐含层的输出，将UF2输入到softmax分类器，对故障进行分类。其分类过程如公式(4)-(6)。
Z＝WsUF2+bs (4)
其中，Z表示分类层神经元对UF2的映射结果，k为分类层神经元的个数，Ws是分类层的权重矩阵，bs是分类层的偏置，aj是分类层第j个神经元的输出，Zj是分类层第j个神经元的映射结果，表示分类层所有神经元的映射结果之和。P(y＝k|Zk)，表示当第k个神经元的映射结果为Zk时，原始输入数据的标签y为第k类故障的概率。e表示自然常数，表示e的Zj次方。a为输出结果。
至此，经过步骤一到步骤三，实现了本发明提出的基于多模态融合深度学习的智能故障诊断方法，完成了对多模态异构数据的故障特征提取、特征融合与故障分类，如图1所示。
有益效果
本发明通过所提出的一种基于多模态融合深度学习的智能故障诊断方法，可以良好地实现对来自不同传感器的多模态异构数据的故障特征提取、特征融合与故障分类。对比现有技术，第一，本发明充分考虑了不同结构数据的特点，发挥并集成了不同深度学习方法在处理不同结构数据方面的优势。第二，通过融合多模态异构数据的不同特征，充分利用了不同特征间的非线性关系，更全面地表征了大型工业设备的运行状态。第三，本发明将多模态数据特征提取、特征融合与故障分类集成一个过程中，实现了基于多模态数据的端到端智能故障诊断。第四，本发明涉及深度学习方法，不仅可以处理工业大数据，而且可以自适应地实现特征提取、特征融合与故障分类，节约了诊断成本。最后，该方法是数据驱动的，具有一定的通用性，可将其推广到各种不同的工业设备故障诊断中。
附图说明
图1是本发明所提出的多模态融合深度学习模型。
图2是实施例中使用的结构化故障数据。
图3是实施例中使用的声音故障数据的时域波形图(非结构化数据)。
图4是实施例中不同方法的故障诊断精度对比结果图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明和详细描述。
一种基于多模态融合深度学习的智能故障诊断方法，包括以下步骤：
步骤一：将电机轴承声音数据的时域波形图(非结构化数据)作为卷积神经网络的输入，获得声音数据所表达的故障特征。
在CNN(Convolutional Neural Network)卷积神经网络中，通过卷积与池化等操作进行故障特征提取。CNN结构由卷积层、子采样层和全连接层组成。设CNN全连接层的输出维数为NC，则CNN全连接层的输出是卷积神经网络提取到的声音数据所表达的故障特征。
步骤二：将电机轴承的数值型结构化数据作为深度神经网络的输入，获得电机轴承的结构化数据所表达的故障特征。
在DNN(Deep Neural Network)深度神经网络中，通过多隐含层的映射和转换过程实现故障特征提取。DNN是一种具有许多(通常多于两个)隐藏层的传统多层感知器，第一个隐藏层从原始数据中提取基本的低层特征，后继隐藏层将它们逐层转换成更抽象的高层特征。相对于前面隐藏层的低层特征，这些高层特征能够更加精确地描述数据分布。DNN可以自适应地从样本数据中学习到一些深层隐藏的规律，而不需要特定领域的专业知识。假设DNN最后一层隐含层的输出维数为ND，则DNN最后一层隐含层的输出是深度神经网络提取到的电机轴承结构化数据所表达的故障特征。
步骤三：设计特征融合层与分类器，其中特征融合层用于将从电机轴承的声音数据与数值型结构化数据中提取到的故障特征进行融合，使用softmax分类器进行故障分类。
首先，设计包含多个隐含层的特征融合层，假设特征融合层中包含两层隐含层，且其第一层与第二层的神经元个数分别为NF1、NF2。然后，将CNN的全连接层和DNN中最后一层隐含层中的神经元，与特征融合层中第一个隐含层的神经元进行全连接。这个全连接操作用于将多模态数据的特征提取无缝集成到特征融合中。之后，为了实现多模态异构数据故障特征的自适应融合，将步骤一与步骤二中提取到的不同模态异构数据的特征(CNN的全连接层的输出与DNN最后一层隐含层的输出)连接，构造一个特征向量
将vin作为特征融合层第一个隐含层的输入，在特征融合层的多个隐含层中对特征向量vin进行融合映射。其过程如公式(2)-(3)：
UF1＝f(WF1(vin)T+bF1) (2)
UF2＝f(WF2UF1+bF2) (3)
其中WF1是第一层特征融合层的权重矩阵，bF1是第一层特征融合层的偏置，(vin)T表示vin向量的转置，UF1是第一层特征融合层的输出，f是激活函数，WF2是第二层特征融合层的权重矩阵，bF2是第二层特征融合层的偏置。UF2是从电机轴承的声音数据与数值型结构化数据中提取到的不同特征的融合结果，是捕获到的来自电机轴承声音数据与数值型结构化数据的融合特征。
最后，设UF2为特征融合层最后一个隐含层的输出，将UF2输入softmax分类器，对故障进行分类，具体过程如下：
Z＝WsUF2+bs (4)
其中，Z表示分类层神经元对UF2的映射结果，k为分类层神经元的个数，Ws是分类层的权重矩阵，bs是分类层的偏置，aj是分类层第j个神经元的输出，Zj是分类层第j个神经元的映射结果，表示分类层所有神经元的映射结果之和。P(y＝k|Zk)，表示当第k个神经元的映射结果为Zk时，原始输入数据的标签y为第k类故障的概率。e表示自然常数，表示e的Zj次方。a为输出结果。
至此，经过步骤一到步骤三，实现了本发明提出的基于多模态融合深度学习的智能故障诊断方法，完成了对电机轴承的声音数据与数值型结构化数据的特征提取、特征融合与故障分类，如图1所示。
实施例
本实施例详细阐述了本发明对电机轴承的4类故障对应的结构化数据和声音数据(非结构化数据)，使用本发明提出的基于多模态融合深度学习的智能故障模型，进行了故障诊断实验验证，并取得了良好的分类效果。
在相同故障历史数据集上，对本发明所提出的方法与已有方法进行了对比实验。图2展示了结构化故障数据的一部分，图3展示了声音故障数据的时域波形图的一部分。
该数据集包含四种故障类型，每种类型包括850个训练样本，120个测试样本。
SVM与BPNN(Back propagation neural network)反向传播神经网络都有两个输入，一个是高维度、多属性结构化数据的数据集，另一个是声音数据的数据集。SVM、BPNN与本发明在每个数据集上的实验结果对比如图4所示。如图4所示，本发明所提出方法的平均测试精度为96.25％，SVM利用结构化数据与非结构化数据进行故障诊断的最佳精度为83.75％，BPNN利用结构化数据与非结构化数据进行故障诊断的最佳精度为81.25％。
从以上数据可以看出，与较为流行的故障诊断方法相比，本发明所提出的方法不仅在性能上有较大提升，而且能够融合不同模态异构数据中的不同故障特征，更加全面地表达工业设备的健康状况，并提高故障诊断性能。

Claims (2)

1.一种基于多模态融合深度学习的智能故障诊断方法，其特征在于，包括以下步骤：
步骤一：将非结构化数据作为卷积神经网络的输入，获得非结构化数据所表达的故障特征；
步骤二：将结构化数据作为深度神经网络的输入，获得结构化数据所表达的故障特征；
步骤三：设计特征融合层与分类器，其中特征融合层用于将从结构化数据与非结构化数据中提取到的故障特征进行融合，使用softmax分类器进行故障分类。
2.如权利要求1所述的一种基于多模态融合深度学习的智能故障诊断方法，其特征在于，所述步骤三的实现过程如下：
首先，设计包含多个隐含层的特征融合层，设特征融合层包含两层隐含层，且其第一层与第二层的神经元个数分别为NF1、NF2；然后，将卷积神经网络的全连接层和深度神经网络的最后一层隐含层中的神经元，与特征融合层中第一个隐含层的神经元进行全连接；这个全连接操作用于将多模态异构数据的特征提取无缝集成到特征融合中；之后，将步骤一与步骤二中提取到的不同模态异构数据的故障特征，即卷积神经网络的全连接层的输出与深度神经网络最后一层隐含层的输出连接，构造一个特征向量vin向量属于1×(NC+ND)维的空间：
将vin作为特征融合层第一个隐含层的输入，在特征融合层的多个隐含层中，对特征向量vin进行融合映射；
UF1＝f(WF1(vin)T+bF1) (2)
UF2＝f(WF2UF1+bF2) (3)
其中，WF1是第一层特征融合层的权重矩阵，bF1是第一层特征融合层的偏置，(vin)T表示vin向量的转置，UF1是第一层特征融合层的输出，f是激活函数，WF2是第二层特征融合层的权重矩阵，bF2是第二层特征融合层的偏置，UF2是从多模态异构数据中提取到的不同故障特征的融合结果，是捕获到的多模态数据所表达的故障融合特征；
最后，设UF2为特征融合层最后一个隐含层的输出，将UF2输入到softmax分类器，对故障进行分类；
Z＝WsUF2+bs (4)
其中，Z表示分类层神经元对UF2的映射结果，k为分类层神经元的个数，Ws是分类层的权重矩阵，bs是分类层的偏置，aj是分类层第j个神经元的输出，Zj是分类层第j个神经元的映射结果，表示分类层所有神经元的映射结果之和；P(y＝k|Zk)，表示当第k个神经元的映射结果为Zk时，原始输入数据的标签y为第k类故障的概率；e表示自然常数，表示e的Zj次方，a为输出结果。
CN201810658792.XA 2018-04-03 2018-06-25 一种基于多模态融合深度学习的智能故障诊断方法 Active CN108614548B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2018102967402 2018-04-03
CN201810296740 2018-04-03

Publications (2)

Publication Number Publication Date
CN108614548A true CN108614548A (zh) 2018-10-02
CN108614548B CN108614548B (zh) 2020-08-18

Family

ID=63665707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810658792.XA Active CN108614548B (zh) 2018-04-03 2018-06-25 一种基于多模态融合深度学习的智能故障诊断方法

Country Status (1)

Country Link
CN (1) CN108614548B (zh)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816140A (zh) * 2018-12-12 2019-05-28 哈尔滨工业大学（深圳） 基于跨市场影响的股价预测方法、装置、设备及存储介质
CN109838696A (zh) * 2019-01-09 2019-06-04 常州大学 基于卷积神经网络的管道故障诊断方法
CN109932617A (zh) * 2019-04-11 2019-06-25 东南大学 一种基于深度学习的自适应电网故障诊断方法
CN110006650A (zh) * 2019-03-18 2019-07-12 华中科技大学 一种基于栈式剪枝稀疏去噪自动编码器的故障诊断方法
CN110119126A (zh) * 2019-02-18 2019-08-13 安阳师范学院 基于多形态信息融合的智能减排系统
CN110232395A (zh) * 2019-03-01 2019-09-13 国网河南省电力公司电力科学研究院 一种基于故障中文文本的电力系统故障诊断方法
CN110261080A (zh) * 2019-06-06 2019-09-20 湃方科技(北京)有限责任公司 基于多模态数据的异构旋转型机械异常检测方法及系统
CN110262463A (zh) * 2019-07-09 2019-09-20 河海大学常州校区 一种基于深度学习的轨道交通站台门故障诊断系统
CN111504680A (zh) * 2020-04-30 2020-08-07 东华大学 一种基于wsvm和dcae的涤纶长丝生产的故障诊断方法和系统
CN112035582A (zh) * 2020-08-28 2020-12-04 光大科技有限公司 结构化数据的分类方法及装置、存储介质、电子装置
CN112067053A (zh) * 2020-09-07 2020-12-11 北京理工大学 一种面向少数类识别的多策略联合故障诊断方法
CN112133941A (zh) * 2020-10-10 2020-12-25 西南交通大学 一种机车质子交换膜燃料电池系统的快速故障诊断方法
CN112380782A (zh) * 2020-12-07 2021-02-19 重庆忽米网络科技有限公司 一种基于混合指标和神经网络的旋转设备故障预测方法
CN112418324A (zh) * 2020-11-25 2021-02-26 武汉大学 用于电气设备状态感知的跨模态数据融合方法
WO2021098323A1 (zh) * 2019-11-19 2021-05-27 清华大学 一种基于多模态融合深度学习的布匹缺陷检测方法
CN112884193A (zh) * 2019-11-29 2021-06-01 东京毅力科创株式会社 预测装置、预测方法及记录介质
CN112926641A (zh) * 2021-02-22 2021-06-08 山东大学 基于多模态数据的三阶段特征融合旋转机械故障诊断方法
CN113138589A (zh) * 2021-03-12 2021-07-20 深圳智造谷工业互联网创新中心有限公司 工业设备控制方法、电子装置及存储介质
CN113326896A (zh) * 2021-06-25 2021-08-31 国网上海市电力公司 一种基于多类型传感器的融合感知方法
CN113537160A (zh) * 2021-09-13 2021-10-22 天津中新智冠信息技术有限公司 球磨机负荷测量方法、装置、电子设备和介质
CN116662787A (zh) * 2023-07-26 2023-08-29 国网四川省电力公司广安供电公司 一种基于多融合算法的故障定位精度提升方法
CN118011994A (zh) * 2023-12-27 2024-05-10 安徽同新源科技有限公司 一种基于跨模态工业大模型的故障诊断系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228977A (zh) * 2016-08-02 2016-12-14 合肥工业大学 基于深度学习的多模态融合的歌曲情感识别方法
CN107045720A (zh) * 2017-05-04 2017-08-15 深圳硅基智能科技有限公司 用于识别眼底图像病变的人工神经网络及系统
CN107247702A (zh) * 2017-05-05 2017-10-13 桂林电子科技大学 一种文本情感分析处理方法和系统
CN107506797A (zh) * 2017-08-25 2017-12-22 电子科技大学 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法
CN107679580A (zh) * 2017-10-21 2018-02-09 桂林电子科技大学 一种基于多模态深度潜在关联的异构迁移图像情感极性分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228977A (zh) * 2016-08-02 2016-12-14 合肥工业大学 基于深度学习的多模态融合的歌曲情感识别方法
CN107045720A (zh) * 2017-05-04 2017-08-15 深圳硅基智能科技有限公司 用于识别眼底图像病变的人工神经网络及系统
CN107247702A (zh) * 2017-05-05 2017-10-13 桂林电子科技大学 一种文本情感分析处理方法和系统
CN107506797A (zh) * 2017-08-25 2017-12-22 电子科技大学 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法
CN107679580A (zh) * 2017-10-21 2018-02-09 桂林电子科技大学 一种基于多模态深度潜在关联的异构迁移图像情感极性分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘方园等: "卷积神经网络架构及其应用的研究", 《新型工业化》 *

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816140A (zh) * 2018-12-12 2019-05-28 哈尔滨工业大学（深圳） 基于跨市场影响的股价预测方法、装置、设备及存储介质
CN109838696A (zh) * 2019-01-09 2019-06-04 常州大学 基于卷积神经网络的管道故障诊断方法
CN110119126B (zh) * 2019-02-18 2021-05-11 安阳师范学院 基于多形态信息融合的智能减排系统
CN110119126A (zh) * 2019-02-18 2019-08-13 安阳师范学院 基于多形态信息融合的智能减排系统
CN110232395A (zh) * 2019-03-01 2019-09-13 国网河南省电力公司电力科学研究院 一种基于故障中文文本的电力系统故障诊断方法
CN110232395B (zh) * 2019-03-01 2023-01-03 国网河南省电力公司电力科学研究院 一种基于故障中文文本的电力系统故障诊断方法
CN110006650A (zh) * 2019-03-18 2019-07-12 华中科技大学 一种基于栈式剪枝稀疏去噪自动编码器的故障诊断方法
CN109932617A (zh) * 2019-04-11 2019-06-25 东南大学 一种基于深度学习的自适应电网故障诊断方法
CN110261080A (zh) * 2019-06-06 2019-09-20 湃方科技(北京)有限责任公司 基于多模态数据的异构旋转型机械异常检测方法及系统
CN110262463A (zh) * 2019-07-09 2019-09-20 河海大学常州校区 一种基于深度学习的轨道交通站台门故障诊断系统
CN110262463B (zh) * 2019-07-09 2021-12-10 河海大学常州校区 一种基于深度学习的轨道交通站台门故障诊断系统
WO2021098323A1 (zh) * 2019-11-19 2021-05-27 清华大学 一种基于多模态融合深度学习的布匹缺陷检测方法
CN112884193A (zh) * 2019-11-29 2021-06-01 东京毅力科创株式会社 预测装置、预测方法及记录介质
CN111504680A (zh) * 2020-04-30 2020-08-07 东华大学 一种基于wsvm和dcae的涤纶长丝生产的故障诊断方法和系统
CN112035582A (zh) * 2020-08-28 2020-12-04 光大科技有限公司 结构化数据的分类方法及装置、存储介质、电子装置
CN112067053A (zh) * 2020-09-07 2020-12-11 北京理工大学 一种面向少数类识别的多策略联合故障诊断方法
CN112133941B (zh) * 2020-10-10 2021-07-30 西南交通大学 一种机车质子交换膜燃料电池系统的快速故障诊断方法
CN112133941A (zh) * 2020-10-10 2020-12-25 西南交通大学 一种机车质子交换膜燃料电池系统的快速故障诊断方法
CN112418324A (zh) * 2020-11-25 2021-02-26 武汉大学 用于电气设备状态感知的跨模态数据融合方法
CN112418324B (zh) * 2020-11-25 2022-06-24 武汉大学 用于电气设备状态感知的跨模态数据融合方法
CN112380782A (zh) * 2020-12-07 2021-02-19 重庆忽米网络科技有限公司 一种基于混合指标和神经网络的旋转设备故障预测方法
CN112926641A (zh) * 2021-02-22 2021-06-08 山东大学 基于多模态数据的三阶段特征融合旋转机械故障诊断方法
CN112926641B (zh) * 2021-02-22 2022-05-17 山东大学 基于多模态数据的三阶段特征融合旋转机械故障诊断方法
CN113138589B (zh) * 2021-03-12 2022-06-07 深圳智造谷工业互联网创新中心有限公司 工业设备控制方法、电子装置及存储介质
CN113138589A (zh) * 2021-03-12 2021-07-20 深圳智造谷工业互联网创新中心有限公司 工业设备控制方法、电子装置及存储介质
CN113326896A (zh) * 2021-06-25 2021-08-31 国网上海市电力公司 一种基于多类型传感器的融合感知方法
CN113537160B (zh) * 2021-09-13 2022-01-18 天津中新智冠信息技术有限公司 球磨机负荷测量方法、装置、电子设备和介质
CN113537160A (zh) * 2021-09-13 2021-10-22 天津中新智冠信息技术有限公司 球磨机负荷测量方法、装置、电子设备和介质
CN116662787A (zh) * 2023-07-26 2023-08-29 国网四川省电力公司广安供电公司 一种基于多融合算法的故障定位精度提升方法
CN118011994A (zh) * 2023-12-27 2024-05-10 安徽同新源科技有限公司 一种基于跨模态工业大模型的故障诊断系统及方法

Also Published As

Publication number Publication date
CN108614548B (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN108614548A (zh) 一种基于多模态融合深度学习的智能故障诊断方法
Nash et al. A review of deep learning in the study of materials degradation
Li et al. A perspective survey on deep transfer learning for fault diagnosis in industrial scenarios: Theories, applications and challenges
Maschler et al. Deep transfer learning for industrial automation: A review and discussion of new techniques for data-driven machine learning
Sun et al. Sparse deep stacking network for fault diagnosis of motor
Wang et al. Convolutional neural network-based hidden Markov models for rolling element bearing fault identification
Yu et al. Multi-label fault diagnosis of rolling bearing based on meta-learning
CN110213244A (zh) 一种基于时空特征融合的网络入侵检测方法
Rengasamy et al. Deep learning approaches to aircraft maintenance, repair and overhaul: A review
Liu et al. Deep transfer learning for conditional shift in regression
Zhao et al. Adaptive open set domain generalization network: Learning to diagnose unknown faults under unknown working conditions
Huang et al. Machine fault detection for intelligent self-driving networks
CN112115993B (zh) 一种基于元学习的零样本和小样本证件照异常检测方法
Guo et al. Reconstruction domain adaptation transfer network for partial transfer learning of machinery fault diagnostics
Xu et al. Data-driven causal knowledge graph construction for root cause analysis in quality problem solving
Jiao et al. A mixed adversarial adaptation network for intelligent fault diagnosis
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN110991472A (zh) 一种高速列车牵引系统微小故障诊断方法
WO2019178930A1 (zh) 一种机械设备故障诊断方法
Zhang et al. Attention gate guided multiscale recursive fusion strategy for deep neural network-based fault diagnosis
Yang et al. Transfer graph-driven rotating machinery diagnosis considering cross-domain relationship construction
Jiao et al. Fault diagnosis method for industrial robots based on DBN joint information fusion technology
Ren et al. Fault detection and classification with feature representation based on deep residual convolutional neural network
Mansouri et al. Explainable fault prediction using learning fuzzy cognitive maps
Ren et al. Domain-invariant feature fusion networks for semi-supervised generalization fault diagnosis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant