CN109978134A - 一种基于快速集成卷积神经网络的故障预测方法 - Google Patents
一种基于快速集成卷积神经网络的故障预测方法 Download PDFInfo
- Publication number
- CN109978134A CN109978134A CN201910141765.XA CN201910141765A CN109978134A CN 109978134 A CN109978134 A CN 109978134A CN 201910141765 A CN201910141765 A CN 201910141765A CN 109978134 A CN109978134 A CN 109978134A
- Authority
- CN
- China
- Prior art keywords
- learning rate
- convolutional neural
- neural networks
- prediction
- failure
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于神经网络故障预测的技术领域,并公开了一种基于快速集成卷积神经网络的故障预测方法。该方法包括下列步骤:(a)采集待预测对象的输出信号,采用S变换将所述输出采集的信号进行时频分析,获得时频信号;(b)构建基于LeNet‑5的卷积神经网络结构,提出基于自重启余弦循环学习率的最大最小余弦循环学习率调度器,并对卷积神经网络的学习率范围进行设定;(c)利用卷积神经网络训练所述预测数据的时频信号,并采用SECNN的预测结果作为最终的预测结果。通过本发明,可以实现预测速度快,预测精度高的故障预测。
Description
技术领域
本发明属于神经网络故障预测的技术领域,更具体地,涉及一种基于快速集成卷积神经网络的故障预测方法。
背景技术
故障诊断在现代复杂系统中起着至关重要的作用。数据驱动的故障诊断方法已经被来自学术和工程领域的许多研究人员越来越多地研究,基于数据的高级方法有效挖掘数据特征并准确预测故障模式成为数据驱动故障诊断的重点研究方向,这些基于数据的方法可以使用历史数据建立故障模型,而不依赖于以前的物理模型,使它们非常适合现代复杂的工业过程。
深度学习(DL)使用数据表示学习而不是显式特征提取来执行学习任务,并且使特征能够被自动学习,在故障诊断领域表现出了巨大的潜力。如风力发电机齿轮箱,电机滚动轴承,自吸式离心泵和轴向柱塞液压泵,机床,高速列车等的故障诊断,然而,当采用单独的深度学习方法进行故障诊断时,仍存在泛化能力较低等问题,集成学习是提高单个学习器(基学习器)学习能力的有效方法,集成学习可以利用多个基学习器并通过特定的策略进行组合叠加,从而达到比单个基学习器更好的效果,许多使用深度学习网络结构作为基学习器的方法被应用在故障诊断领域,例如构造包含具有不同激活函数的各种自编码器的集成深度学习方法,以获得多样化的基学习器。
几乎所有的集成学习方法都需要训练多个基学习器,训练过程非常耗时,于是一种新的集成学习被提出,称为快速集成学习(SEL),它使用余弦循环学习速率(CCLR)调度器,并将整个训练过程划分为M个循环,由于训练模型将在每个周期结束时达到局部最小值,因此SEL结合了这些局部最小值,并显示出强大的性能,SEL对模型进行一次训练以获得M个不同的基学习器,克服了上述缺点,然而,如何选择合适的余弦循环学习速率(CCLR)学习率变化范围至关重要,在余弦循环学习速率(CCLR)中,学习率的上界由经验或实验预先定义;线性学习率测试(ILR测试)方法,通过将学习率从低变高,并观察测试精度开始增加时的时刻和精度开始振动的时刻,来探索最优的学习率,在面对新数据集时,ILR测试可以提供有关学习率的极其宝贵的信息,但是当学习率范围很大时,ILR测试的分辨率较低。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于快速集成卷积神经网络的故障预测方法,通过采用基于余弦循环学习率调度器(CCLR)的最大最小余弦循环学习率调度器(MMCCLR)学习率调节方法以及对数线性学习率(logLR)测试方法,实现对卷积神经网络学习率的设定,提高卷积神经网络的预测精度和预测速度。
为实现上述目的,按照本发明的一个方面,提供了种基于快速集成卷积神经网络的故障预测方法,其特征在于,该方法包括下列步骤:
(a)采集待预测对象的输出信号,该输出信号中已知故障类型的作为训练样本,未知故障类型的作为待预测数据,采用S变换将所述输出采集的信号进行时频分析,以此分别获得训练样本和待预测数据的时频信号;
(b)构建基于LeNet-5的卷积神经网络结构,采用基于余弦循环学习率调度器的最大最小余弦循环学习率调度器对所述卷积神经网络每个迭代步对应的学习率进行设定,利用所述卷积神经网络训练所述预测数据的时频信号,以此获得故障预测结果,其中,所述学习率的设定按照下列步骤进行:
(b1)设定所述学习率的计算表达式(一),如下:
其中,η是当前迭代步的学习率,ηmax是最大学习率,ηmin是最小学习率,i代表当前迭代次数,T是总迭代次数,M是周期数,b是批量大小,是取整函数;
(b2)对所述学习率多次进行赋值,每次赋值后均利用所述训练样本和所述卷积神经网络结构进行预测并计算预测结果的预测精度,以此构建预测精度与所述学习率的关系曲线,截取该关系曲线上的稳定区和振动区的数据,根据所述稳定区对应的学习率计算安全最小学习率,选取振动区波谷处对应的学习率作为最大学习率;
(b3)将所述最小学习率和最大学习率带入上述表达式(一)中,然后计算获得每个迭代步对应的学习率。
进一步优选地,在步骤(b)中,所述利用所述卷积神经网络训练所述预测数据的时频信号获得所述故障预测结果时,优选将训练过程中每个训练周期末快照点的神经网络权重进行备份,待神经网络训练完成后获得所有周期的神经网络权重及其预测结果,采用bagging方法将所有周期的神经网络权重集成后获得最终所需的故障预测结果。
进一步优选地,在步骤(a)中,所述S变换优选按照下列表达式进行:
其中,τ是频谱定位的时间,f是傅里叶频率,w(t)是窗口函数,S(τ,f)是时频信号,x(t)是采集的输出信号,t是时间。
进一步优选地,在步骤(b)中,所述卷积神经网络采用的过滤器大小是7×7,过滤器深度是64,其采用最大池化层,大小为2×2,池化层的步长大小为2×2,填充类型为零填充。
进一步优选地,在步骤(b)中,所述卷积神经网络的六个卷积层和池化层之后,紧接两层全FC层,对于该FC层,采用L2正则化和丢弃技术来提高卷积神经网络的泛化能力。
进一步优选地,在步骤(b2)中,根据所述稳定区对应的学习率计算安全最小学习率,优选将所述稳定区对应的学习率求平均值后作为所述最小学习率。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明通过采用最大最小余弦循环学习率调度器(MMCCLR),该调度器对学习速率调度器有更精确的控制,能保证学习率不受其他参数的影响,它可以让学习率在一个更合理的范围内变化,这个合理的范围将通过提出的LogLR测试来估计;
2、本发明的对数线性学习率测试方法能使最大最小余弦循环学习率调度器(MMCCLR)在每个循环开始时避免得到局部最小值,从而提高最终的全局准确率;
3、本发明提供的故障预测方法,所采用的使用最大最小余弦循环学习率调度器(MMCCLR)的快速集成卷积神经网络结构与其他深度学习方法和传统方法相比,准确率更高,速率较快;
4、本发明在获得最终所需的故障预测结果时,通过将每个周期的快照点的神经权重备份,然后采用bagging方法将所有周期的神经网络权重集成,获得最终的故障预测结果,实现了卷积神经网络的快速集成。
附图说明
图1是按照本发明的优选实施例所构建的快速集成卷积神经网络故障预测方法的流程图;
图2是按照本发明的优选实施例所构建的余弦循环学习率调度器的学习率变化曲线图;
图3(a)是按照本发明的优选实施例所构建的快速集成卷积神经网络学习率变化范围测试估计方法图;
图3(b)是按照本发明的优选实施例所构建的学习率振动区放大图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1是按照本发明的优选实施例所构建的快速集成学习卷积神经网络故障预测方法的流程图,如图1所示,基于快速集成学习卷积神经网络的故障预测方法,其特征在于,该方法包括下列步骤:
(a)采集待预测对象的信号,通过S变换方法对信号进行预处理。S变换可以通过用等式中呈现的高斯函数代替窗口函数来导出,然后S变换可以通过等式计算,其中τ表示频谱定位的时间,f表示傅里叶频率,w(t)表示窗口函数,x(t)是采集的信号,。
(b)构建基于LeNet-5的卷积神经网络结构。LeNet-5是一种有效的经典卷积神经网络结构,它包含几个具有双层完全连接层的混合层和卷积层。在这项研究中,提出了一种基于LeNet-5的新型卷积神经网络结构用于故障诊断,其结构细节见表1,参数,7×7×64表示过滤器大小是7×7,过滤器深度是64,采用最大池化层,其大小为2×2。池化层的步长大小为2×2,填充类型为零填充。
表1卷积神经网络模型参数配置表
在六个卷积层和池化层之后,紧接两层全连接(FC)层,对于FC层,采用L2正则化和丢弃(dropout)技术来提高卷积神经网络的泛化能力。
(c)采用基于余弦循环学习率调度器(CCLR)的最大最小余弦循环学习率调度器(MMCCLR)对学习率进行设定。余弦循环学习率调度器(CCLR)随着训练时期的增加而应用一个移位余弦函数,如图2所示,每次训练过程中包括多个训练周期,图中的快照点即为每个训练周期的终点。CCLR可被等式定义,η是当前周期的学习率,ηmax是最大学习率,为学习率的预定义上限,i是当前迭代次数,T是总迭代次数,T是周期数,b是批量大小,代表取整函数,在这项研究中,提出了最大最小余弦循环学习调度器(MMCCLR)来设置学习速率范围而不受其他参数的影响,ηmin表示学习率的下界,MMCCLR的表达式可以用公式表示。
(d)采用对数线性学习率测试方法设定MMCCLR的学习率范围。图3(a)是按照本发明的优选实施例所构建的快速集成卷积神经网络学习率变化范围测试估计方法图,即学习率和精度的关系曲线,如图3(a)所示,对数线性学习率测试方法采用了两步学习率估计方法,在第一次估计中,学习速率在大范围内变化以找到最小学习速率(稳定区)和最大学习速率区域(振动区),在稳定区域中,随着学习率的变化,预测精度的变化小于预设阈值,图3(b)是按照本发明的优选实施例所构建的学习率振动区放大图,如图3(b)所示,振动区中预测精度急速下降,存在明显的波谷;在第二次估计中,通过缩放学习率的方法搜索最大学习率区域并找出最大学习率的值,在第一次估计中(稳定区),学习速率范围被设置为1e-5到1e-2,并且发现最小学习速率接近1e-4,在第二次估计中(振动区),学习率范围被设置为1e-3到7e-3。
(e)根据获得的最大和最小学习率,并利用学习率的计算公式计算每个周期的学习率,然后利用卷积神经网络训练预测数据,将每个周期末的神经网络备份保留(快照点),待神经网络训练完成后可得到M个神经网络的备份(M是周期数),将上述M个进行集成(采用bagging集成方法),形成快速集成卷积神经网络模型(SECNN)。并采用SECNN的预测结果作为最终的预测结果。
下文结合附图和实施例对本发明做进一步说明。
采用的数据集是著名的凯斯西储大学(CWRU)的轴承数据集。轴承的健康状况包含正常情况(NO)和三种故障情况。三个故障状态分别由滚轮故障(RF),外环故障(OF)和内环故障(IF)表示,每种故障状态有三种不同的损伤尺寸,损伤尺寸分别为0.18mm,0.36mm和0.54mm。因此,共有十个状况,其中包括九个故障状态和正常状态,实验数据集在0,1,2,3hp四个负载条件下采集,方法的性能由配置1→2,1→3,2→1,2→3,3→1和3→2的平均预测精度(AVG)评估。'a→b'表示该方法应该使用负载a上收集的数据集进行训练,并在负载b上测试预测精度。在运行过程中,应用5倍交叉验证来获得可靠的结果。
本发明提供的方法MMCCLR和其他不同学习率调度器的结果比较
表2显示了不同学习率调度器的快速集成卷积神经网络(SECNN)的预测结果。SGD表示随机梯度下降算法,SGD-Decay和Step-Decay分别表示SGD算法的学习率按批次衰减或按步(epoch)衰减。从表2中,SGD-Decay和Step-Decay的结果分别为96.613%和96.907%,结果表明,所有其他八种SECNN与CLR方法的性能均优于这两种基线方法。C-Cyclic,SnapC-5,SnapC-5-2,和SnapC-5-2S的预测结果分别为96.923%,97.308%97.087%,97.360%,97.198%,97.543%,97.110%和97.518%,其中,C-Cyclic是方法的名称,SnapC-5快速集成学习,SnapC-5-2是具有重复运行2次的快速集成学习,Snap-5-2S是快照集成并重复使用从表中可以看出SnapC-5-2在这些方法中获得最佳结果。
表2案例1中SECNN与不同学习率调度器的结果比较(%)
二,SECNN模型和其他深度学习模型比较
为了验证本发明所提出的SECNN的性能,将SECNN的结果与其他深度学习DL方法进行比较。分别是WDCNN,WDCNN(AdaBN)和TICNN,EnsembleTICNN,比较结果列于表3,在这个比较中,SECNN使用了SnapC-5-2的结果。
如表3所示,SECNN已经取得了很好的预测精度,SECNN平均预测结果为97.543%,优于TICNN,TICNN,ADCNN(AdaBN)和WDCNN,结果分别为96.1%,95.5%,95.9%和90.0%。这些结果证明SECNN在本案例研究中的表现优于其他。
表3案例1中SECNN与其他深度学习方法的结果比较(%)
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于快速集成卷积神经网络的故障预测方法,其特征在于,该方法包括下列步骤:
(a)采集待预测对象的输出信号,该输出信号中已知故障类型的作为训练样本,未知故障类型的作为待预测数据,采用S变换将所述输出采集的信号进行时频分析,以此分别获得训练样本和待预测数据的时频信号;
(b)构建基于LeNet-5的卷积神经网络结构,采用基于余弦循环学习率调度器的最大最小余弦循环学习率调度器对所述卷积神经网络每个迭代步对应的学习率进行设定,利用所述卷积神经网络训练所述预测数据的时频信号,以此获得故障预测结果,其中,所述学习率的设定按照下列步骤进行:
(b1)设定所述学习率的计算表达式(一),如下:
其中,η是当前迭代步的学习率,ηmax是最大学习率,ηmin是最小学习率,i代表当前迭代次数,T是总迭代次数,M是周期数,b是批量大小,是取整函数;
(b2)对所述学习率多次进行赋值,每次赋值后均利用所述训练样本和所述卷积神经网络结构进行预测并计算预测结果的预测精度,以此构建预测精度与所述学习率的关系曲线,截取该关系曲线上的稳定区和振动区的数据,根据所述稳定区对应的学习率计算安全最小学习率,选取振动区波谷处对应的学习率作为最大学习率;
(b3)将所述最小学习率和最大学习率带入上述表达式(一)中,然后计算获得每个迭代步对应的学习率。
2.如权利要求1所述的一种基于快速集成卷积神经网络的故障预测方法,其特征在于,在步骤(b)中,所述利用所述卷积神经网络训练所述预测数据的时频信号获得所述故障预测结果时,优选将训练过程中每个训练周期末快照点的神经网络权重进行备份,待神经网络训练完成后获得所有周期的神经网络权重及其预测结果,采用bagging方法将所有周期的神经网络权重集成后获得最终所需的故障预测结果。
3.如权利要求1或2所述的一种基于快速集成卷积神经网络的故障预测方法,其特征在于,在步骤(a)中,所述S变换优选按照下列表达式进行:
其中,τ是频谱定位的时间,f是傅里叶频率,w(t)是窗口函数,S(τ,f)是S变换后的时频信号,x(t)是采集的输出信号,t是时间。
4.如权利要求1-3任一项所述的一种基于快速集成卷积神经网络的故障预测方法,其特征在于,在步骤(b)中,所述卷积神经网络采用的过滤器大小是7×7,过滤器深度是64,其采用最大池化层,大小为2×2,池化层的步长大小为2×2,填充类型为零填充。
5.如权利要求1-4任一项所述的一种基于快速集成卷积神经网络的故障预测方法,其特征在于,在步骤(b)中,所述卷积神经网络的六个卷积层和池化层之后,紧接两层全FC层,对于该FC层,采用L2正则化和丢弃技术来提高卷积神经网络的泛化能力。
6.如权利要求1-5任一项所述的一种基于快速集成卷积神经网络的故障预测方法,其特征在于,在步骤(b2)中,根据所述稳定区对应的学习率计算安全最小学习率,优选将所述稳定区对应的学习率求平均值后作为所述最小学习率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910141765.XA CN109978134B (zh) | 2019-02-26 | 2019-02-26 | 一种基于快速集成卷积神经网络的故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910141765.XA CN109978134B (zh) | 2019-02-26 | 2019-02-26 | 一种基于快速集成卷积神经网络的故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978134A true CN109978134A (zh) | 2019-07-05 |
CN109978134B CN109978134B (zh) | 2020-11-24 |
Family
ID=67077334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910141765.XA Active CN109978134B (zh) | 2019-02-26 | 2019-02-26 | 一种基于快速集成卷积神经网络的故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978134B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321343A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 一种可穿戴设备轨迹预测方法、装置和系统 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
CN111310896A (zh) * | 2020-02-13 | 2020-06-19 | 北京百度网讯科技有限公司 | 用于训练神经网络的方法和装置 |
CN111397870A (zh) * | 2020-03-08 | 2020-07-10 | 中国地质大学(武汉) | 一种基于多样化集成卷积神经网络的机械故障预测方法 |
CN111625992A (zh) * | 2020-05-21 | 2020-09-04 | 中国地质大学(武汉) | 一种基于自调优深度学习的机械故障预测方法 |
CN113111950A (zh) * | 2021-04-19 | 2021-07-13 | 中国农业科学院农业资源与农业区划研究所 | 一种基于集成学习的小麦锈病分类方法 |
US11410083B2 (en) | 2020-01-07 | 2022-08-09 | International Business Machines Corporation | Determining operating range of hyperparameters |
CN116008733A (zh) * | 2023-03-21 | 2023-04-25 | 成都信息工程大学 | 一种基于集成深度神经网络的单相接地故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107917805A (zh) * | 2017-10-16 | 2018-04-17 | 铜仁职业技术学院 | 基于深度信念网络和支持向量机的滚动轴承故障诊断方法 |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN108106830A (zh) * | 2017-12-13 | 2018-06-01 | 武汉科技大学 | 一种基于时频谱分割的变速旋转机械故障诊断方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN109271975A (zh) * | 2018-11-19 | 2019-01-25 | 燕山大学 | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 |
-
2019
- 2019-02-26 CN CN201910141765.XA patent/CN109978134B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107917805A (zh) * | 2017-10-16 | 2018-04-17 | 铜仁职业技术学院 | 基于深度信念网络和支持向量机的滚动轴承故障诊断方法 |
CN108010016A (zh) * | 2017-11-20 | 2018-05-08 | 华中科技大学 | 一种基于卷积神经网络的数据驱动故障诊断方法 |
CN108106830A (zh) * | 2017-12-13 | 2018-06-01 | 武汉科技大学 | 一种基于时频谱分割的变速旋转机械故障诊断方法 |
CN108830127A (zh) * | 2018-03-22 | 2018-11-16 | 南京航空航天大学 | 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法 |
CN109271975A (zh) * | 2018-11-19 | 2019-01-25 | 燕山大学 | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 |
Non-Patent Citations (3)
Title |
---|
GAO HUANG等: "SNAPSHOT ENSEMBLES: TRAIN 1, GET M FOR FREE", 《ARXIV》 * |
ILYA LOSHCHILOV等: "SGDR: STOCHASTIC GRADIENT DESCENT WITH WARM RESTARTS", 《ARXIV》 * |
李烨: "基于数据驱动的电机轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321343A (zh) * | 2019-07-11 | 2019-10-11 | 广东工业大学 | 一种可穿戴设备轨迹预测方法、装置和系统 |
CN110321343B (zh) * | 2019-07-11 | 2023-11-14 | 广东工业大学 | 一种可穿戴设备轨迹预测方法、装置和系统 |
CN110866448A (zh) * | 2019-10-21 | 2020-03-06 | 西北工业大学 | 基于卷积神经网络和短时傅里叶变换的颤振信号分析方法 |
US11410083B2 (en) | 2020-01-07 | 2022-08-09 | International Business Machines Corporation | Determining operating range of hyperparameters |
CN111310896A (zh) * | 2020-02-13 | 2020-06-19 | 北京百度网讯科技有限公司 | 用于训练神经网络的方法和装置 |
CN111310896B (zh) * | 2020-02-13 | 2023-10-20 | 北京百度网讯科技有限公司 | 用于训练神经网络的方法和装置 |
CN111397870A (zh) * | 2020-03-08 | 2020-07-10 | 中国地质大学(武汉) | 一种基于多样化集成卷积神经网络的机械故障预测方法 |
CN111397870B (zh) * | 2020-03-08 | 2021-05-14 | 中国地质大学(武汉) | 一种基于多样化集成卷积神经网络的机械故障预测方法 |
CN111625992A (zh) * | 2020-05-21 | 2020-09-04 | 中国地质大学(武汉) | 一种基于自调优深度学习的机械故障预测方法 |
CN111625992B (zh) * | 2020-05-21 | 2023-06-27 | 中国地质大学(武汉) | 一种基于自调优深度学习的机械故障预测方法 |
CN113111950A (zh) * | 2021-04-19 | 2021-07-13 | 中国农业科学院农业资源与农业区划研究所 | 一种基于集成学习的小麦锈病分类方法 |
CN116008733A (zh) * | 2023-03-21 | 2023-04-25 | 成都信息工程大学 | 一种基于集成深度神经网络的单相接地故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109978134B (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978134A (zh) | 一种基于快速集成卷积神经网络的故障预测方法 | |
CN103177086B (zh) | 一种对应用搜索结果进行排序的方法及装置 | |
CN110378052A (zh) | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 | |
CN105389467B (zh) | 一种获得井间连通关系的方法及装置 | |
CN112149373B (zh) | 一种复杂模拟电路故障识别与估计方法及系统 | |
CN109447380B (zh) | 油井产量确定方法及装置 | |
CN113762486B (zh) | 换流阀故障诊断模型的构建方法、装置和计算机设备 | |
CN103270430A (zh) | 用于地震数据反演的系统和方法 | |
CN109528197A (zh) | 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统 | |
CN109460561A (zh) | 采油设备故障诊断方法及装置 | |
US20220067586A1 (en) | Imaging systems with hybrid learning | |
CN101231673A (zh) | 一种采用免疫蚂蚁算法优化的模拟电路故障诊断方法 | |
CN110111885B (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
US10247800B2 (en) | MRI pulse sequence design | |
CN107967489A (zh) | 一种异常检测方法及系统 | |
JP2019021186A (ja) | データ処理装置、制御システム、データ処理方法及びプログラム | |
CN109864737A (zh) | 一种心电信号中p波识别方法和系统 | |
US20210357727A1 (en) | Abnormality detection device | |
Saravanakumar et al. | Hierarchical symbolic analysis and particle swarm optimization based fault diagnosis model for rotating machineries with deep neural networks | |
CN106725376A (zh) | 体征信号检测方法及装置 | |
CN106264545B (zh) | 步伐识别方法及装置 | |
Kumar | Remaining useful life prediction of aircraft engines using hybrid model based on artificial intelligence techniques | |
CN103308956A (zh) | 利用云气候学数据预判目标区域未来月平均云量的方法 | |
CN105894138A (zh) | 一种制造业发货量的最优加权组合预测方法 | |
CN110995461B (zh) | 网络故障诊断方法 |
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 |