CN110717579A - 一种齿轮箱数据模型训练及使用方法 - Google Patents
一种齿轮箱数据模型训练及使用方法 Download PDFInfo
- Publication number
- CN110717579A CN110717579A CN201910916412.2A CN201910916412A CN110717579A CN 110717579 A CN110717579 A CN 110717579A CN 201910916412 A CN201910916412 A CN 201910916412A CN 110717579 A CN110717579 A CN 110717579A
- Authority
- CN
- China
- Prior art keywords
- data
- sample data
- gearbox
- class
- label
- 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
- 238000012549 training Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013499 data model Methods 0.000 title claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 238000012706 support-vector machine Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 8
- 206010062544 Tooth fracture Diseases 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
Images
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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种齿轮箱数据模型训练方法，包括：获取齿轮箱的样本数据，并为每一个样本数据匹配对应的类别标签；通过生成器生成模拟样本数据；将真实和生成的样本数据以及样本数据对应的类别标签作为鉴别器的输入，并获取鉴别器对每一个模拟样本数据的鉴别结果；在鉴别器的鉴别结果为真实时，将生成器输出的模拟样本数据通过鉴别器的全连接层输出作为支持向量机模型的训练样本数据。应用本发明实施例，通过包含生成器和鉴别器都由卷积神经网络构成，这种方法扩充的数据样本能够全面包含原始数据的信息量，对实际工业的检测更准确对数据进行特征自适应提取，然后全连接层提取的特征作为输入到SVM中进行训练，得到对故障的检测及分类。
Description
技术领域
本发明涉及训练检查齿轮箱数据模型的技术领域，特别是涉及一种齿轮箱数据模型训练及使用方法。
背景技术
齿轮箱作为旋转机械的重要部件之一，广泛应用于直升机主减速器、风力发电机等机械设备中。行星齿轮箱在实际运行中承受着动态重载，复杂的运行环境和条件，会导致太阳齿轮、行星齿轮、环形齿轮等关键部件发生故障。这些故障会导致重大安全事故，因此开展行星齿轮箱故障诊断研究具有重要意义。
齿轮箱故障多样，如裂齿、齿面磨损、齿面剥落、齿面变形等故障，建立准确快速的行星齿轮箱故障的检测及分类的模型是防止安全事故发生的基础，基于深度学习神经网络是近年来机器学习和模式识别领域的最新研究成果，由于其强大的建模和表征能力，已在机电设备故障诊断领域得到应用，但传统模型的输入特征选择过程是基于人工经验的，对人员专业知识储备要求较高且存在很大的误差。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种齿轮箱数据模型训练及使用方法，通过包含生成器和鉴别器都由卷积神经网络构成，对数据进行特征自适应提取，然后全连接层提取的特征作为输入到SVM中进行训练，得到对故障的检测及分类。
为实现上述目的及其他相关目的，本发明提供一种齿轮箱数据模型训练方法，所述方法包括：
获取齿轮箱的样本数据，并为每一个样本数据匹配对应的类别标签；
根据类别标签和噪声数据，通过生成器生成模拟样本数据；
将样本数据以及样本数据对应的类别标签作为鉴别器的输入，并获取鉴别器对每一个模拟样本数据的鉴别结果；
在所述鉴别器的鉴别结果为真实时，将所述生成器输出的模拟样本数据作为支持向量机模型的训练样本数据。
一种实现方式中，所述获取齿轮箱的样本数据，并为每一个样本数据匹配对应的类别标签的步骤，包括：
采集齿轮箱五类样本数据，并为每一类数据匹配标签；其中，所述五类数据包括一类正常数据和四类故障异常数据；其中，所述四类故障为：齿断裂、齿面脱落、齿面磨损、齿面变形；
对每一类样本数据进行归一化处理。
一种实现方式中，所述将样本数据以及样本数据对应的类别标签作为鉴别器的输入，并获取鉴别器对每一个模拟样本数据的鉴别结果的步骤，包括：
将样本数据以及样本数据对应的类别标签作为鉴别器的输入；
在所述鉴别器和所述生成器达到纳什平衡时，获取鉴别器对每一个模拟样本数据的鉴别结果。
一种实现方式中，所述根据类别标签和噪声数据，通过生成器生成模拟样本数据的步骤，包括：
将类别标签进行二进制编码，获得编码后的类别标签；
将噪声数据进行归一化处理，获得归一化后的噪声数据；
将归一化后的噪声数据、编码后的类别标签，输入至卷积层，将卷积结果依次经过池化层和全连接层，经过输出层输出模拟样本数据；
其中，所述生成器包括：卷积层、池化层、全连接层和输出层。
一种实现方式中，所述生成器的目标函数为：
L(G)＝Max(L1-L2)
所述鉴别器的目标函数为：
L(D)＝Max(L1+L2)
其中，
p(s＝real|xreal)是输出真实数据情况下来源于输入真实数据的概率，
p(s＝generated|xgenerated)是输出生成数据情况下来源于输入生成数据的概率，
p(Class＝c|xreal)是输出真实数据情况下为正确类别标签的概率，
p(Class＝c|xgenerated)是输出生成数据情况下为正确类别标签的概率，
L1数据来源的损失，L2标签分类的损失，xreal为是否真实数据，xgenerated为是生成数据，Class＝c为标签的类别，P(z)是噪声先验概率，Pdata(x)是样本数据分布概率，Ex:pdata表示真实数据分布pdata对x的期望，Ez:p(z)表示从噪声中采样对z的期望。
一种实现方式中，所述支持向量机模型的损失函数为：
其中，Li为损失函数，sj为第i个数据的第j类预测得分值；为第i个数据的真实分类的得分值，yi表示第i个数据的正确类别。
一种实现方式中，所述方法还包括：
在多个时间点内，判断所述支持向量机模型的均方误差是否不小于预设值；
如果是，则重新对所述支持向量机模型进行训练。
此外，本发明还公开了一种齿轮箱数据模型使用方法，所述方法包括：
接收待检测的齿轮箱数据，并输入至齿轮箱数据模型进行检测；
根据检测结果获取齿轮箱数据为对应每一类型的概率，其中，所述类型包括：正常数据类型以及多类故障类型；其中，所述多类故障类型至少包括：齿断裂、齿面脱落、齿面磨损、齿面变形；
获取其中的最大值，将最大值对应的类型作为齿轮箱数据的类型。
如上所述，本发明实施例提供的一种齿轮箱数据模型训练方法，能够通过生成器和鉴别器自适应提取关键特征，减少了基于人工经验进行特征选择带来的工作量和误差，同时提出了模型自适应更新方法。利用生成器和鉴别器组成的ACGAN网络对齿轮箱的真实少量的故障数据进行扩充，包含生成器和鉴别器都由卷积神经网络构成，对数据进行特征自适应提取，然后全连接层提取的特征作为输入到SVM中进行训练，得到对故障的检测及分类。
附图说明
图1是本发明实施例的一种齿轮箱数据模型训练方法的一种流程示意图。
图2是本发明实施例的一种齿轮箱数据模型训练方法的第一种具体应用示意图。
图3是本发明实施例的一种齿轮箱数据模型训练方法的第二种具体应用示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-3。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，本发明实施例提供一种齿轮箱数据模型训练方法，所述方法包括：
S101，获取齿轮箱的样本数据，并为每一个样本数据匹配对应的类别标签。
原始数据的采集,齿轮箱5类数据，其中，一类为正常数据，4类为故障数据，其中，所述四类故障为：齿断裂、齿面脱落、齿面磨损、齿面变形；并打好标签，其中，标签是正常数据，以及具体的故障类别。例如，设置正常数据样本2000个。假设样本数据是：轴X方向位移、Y方向位移、加速度输入轴电机侧轴承Y、加速度输出轴电机侧轴承Y、加速度输入轴负载侧轴承Y、加速度输出轴负载侧轴承Y、加速度输出轴负载侧轴承X、磁电式速度输出轴负载侧轴承X等参数。
将整理后样本数据进行归一化处理，将数据标准化映射到[0,1]之间，即：
其中，x'是归一化后的数据，x是归一化前的样本数据，xmin是样本数据中的最小值，xmax是样本数据中的最大值。
S102，根据类别标签和噪声数据，通过生成器生成模拟样本数据。
需要说明的是，正常的数据样本容易获得，假设为2000个，故障数据样本每一个类别也需要2000个，而由于数据样本的有限性不能获得这么多数据，因此，可以利用使故障样本数据扩充至每类故障也是2000个样本。
生成器G的数据生成流程如图2所示，通过随机噪声z进行归一化处理后作为输入，以及将类别标签进行编码获得标签二进制编码数据，共同作为卷积层的输入，进行卷积处理，然后依次通过池化层进行池化处理、全连接层进行处理，最后通过输出层进行输出，获得输出的生成样本，该生成样本是通过生成器进行模拟生成的，所以为模拟样本数据。
S103，将样本数据以及样本数据对应的类别标签作为鉴别器的输入，并获取鉴别器对每一个模拟样本数据的鉴别结果。
如图3所示，为了检验每一个生成器所生成的模拟样本数据，通过鉴别器进行鉴别，具体过程为：将模拟样本数据进行归一化处理后作为输入序列，一次通过卷积层、池化层、全连接层进行输出。
具体的，鉴别器D通过迭代k次，输入噪声先验概率为P(z)小批量n个噪声样本{z1，z2，L zn}、真实数据分布的Pdata(x)小批量n个样本数据{x1，x2，L xn}对这两个输入进行一维卷积-池化-全连接操作，自动提取特征，结果输出真或假(具体通过输出为0、1进行判断，例如为真对应为0，为假是为1)，当鉴别器和生成器达到纳什平衡时可以把生成的模拟样本数据扩充为数据样本，进而扩充样本的数量，增加数据多样性，增强模型的泛化能力。
可以理解的是，生成器G的输入为从噪声先验概率P(z)小批量n个噪声样本{z1，z2，L zn}对这个输入进行一维卷积、池化、全连接操作，自动提取特征，结果输出与输入维度相同的数据样本，然后作为鉴别器的输入。
目标函数包含两个独立的概率，分别对应于正确的数据来源和正确的类标签，所述生成器的目标函数为：
L(G)＝Max(L1-L2)
所述鉴别器的目标函数为：
L(D)＝Max(L1+L2)
p(s＝real|xreal)是输出真实数据情况下来源于输入真实数据的概率，
p(s＝generated|xgenerated)是输出生成数据情况下来源于输入生成数据的概率，
p(Class＝c|xreal)是输出真实数据情况下为正确类别标签的概率，
p(Class＝c|xgenerated)是输出生成数据情况下为正确类别标签的概率，
L1数据来源的损失，L2标签分类的损失，xreal为是否真实数据，xgenerated为是否生成数据，Class＝c为标签的类别，P(z)是噪声先验概率，Pdata(x)是真实样本数据分布概率，Ex:pdata表示真实数据分布pdata对x的期望，Ez:p(z)表示从噪声中采样对z的期望。
其中，p(x|y)代表在发生y的情况下发生x的概率，例如在s＝generated的情况下发生xgenerated的概率是p(s＝generated|xgenerated)。
对鉴别器和生成器训练当两者达到纳什平衡生成器生成的数据可以作为相应故障数据使用，达到扩充数据的目的了。
S104，在所述鉴别器的鉴别结果为真实时，将所述生成器输出的模拟样本数据作为支持向量机模型的训练样本数据。
可以理解的是，在判别器和生成器达到纳什平衡时后，通过把生成的模拟样本数据扩充为数据样本，进而扩充样本的数量，具体的可以将原始输入的样本数据和生成的数据在打上标签后分为训练集和测试集后随机打乱进入支持向量机SVM模型)，作为支持向量机模型的训练样本数据，进行支持向量机模型的训练。具体的，将分好训练集和测试集之后，在使用训练鉴别器模型对数据特征提取再从全连接层输出特征进入SVM进行分类，达到故障诊断目的。
示例性的，扩本的样本数据数量为10000，以7：3的比例划分训练集和测试集。将7000个数据作为训练集，输入支持向量机模型，利用ACGAN-SVM方法对数据进行建模，然后用3000的样本数据进行测试。
需要说明的是，本发明实施例所构造的SVM多分类模型为一对一，其原理是在l类训练样本中构造所有可能的两类分类器，每个分类器仅在l类中的两类训练样本上训练，故共构造N＝l(l-1)/2个分类器，对N个分类器的结果进行投票，如果某个二分类器的输出结果为i类，则i类得票数加1，如果输出结果为j类，则j类得票数加1，最后统计得票最多的类别，分类的结果就是该类别。
此外，本发明还公开了一种齿轮箱数据模型使用方法，所述方法包括：
接收待检测的齿轮箱数据，并输入至齿轮箱数据模型进行检测；
根据检测结果获取齿轮箱数据为对应每一类型的概率，其中，所述类型包括：正常数据类型以及多类故障类型；其中，所述多类故障类型至少包括：齿断裂、齿面脱落、齿面磨损、齿面变形；
获取其中的最大值，将最大值对应的类型作为齿轮箱数据的类型。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种齿轮箱数据模型训练方法，其特征在于，所述方法包括：
获取齿轮箱的样本数据，并为每一个样本数据匹配对应的类别标签；
根据类别标签和噪声数据，通过生成器生成模拟样本数据；
将样本数据以及样本数据对应的类别标签作为鉴别器的输入，并获取鉴别器对每一个模拟样本数据的鉴别结果；
在所述鉴别器的鉴别结果为真实时，将所述生成器输出的模拟样本数据作为支持向量机模型的训练样本数据。
2.根据权利要求1所述的齿轮箱数据模型训练方法，其特征在于，所述获取齿轮箱的样本数据，并为每一个样本数据匹配对应的类别标签的步骤，包括：
采集齿轮箱五类样本数据，并为每一类数据匹配标签；其中，所述五类数据包括一类正常数据和四类故障异常数据；其中，所述四类故障为：齿断裂、齿面脱落、齿面磨损、齿面变形；
对每一类样本数据进行归一化处理。
3.根据权利要求1所述的齿轮箱数据模型训练方法，其特征在于，所述将样本数据以及样本数据对应的类别标签作为鉴别器的输入，并获取鉴别器对每一个模拟样本数据的鉴别结果的步骤，包括：
将样本数据以及样本数据对应的类别标签作为鉴别器的输入；
在所述鉴别器和所述生成器达到纳什平衡时，获取鉴别器对每一个模拟样本数据的鉴别结果。
4.根据权利要求1-3任一项所述的齿轮箱数据模型训练方法，其特征在于，所述根据类别标签和噪声数据，通过生成器生成模拟样本数据的步骤，包括：
将类别标签进行二进制编码，获得编码后的类别标签；
将噪声数据进行归一化处理，获得归一化后的噪声数据；
将归一化后的噪声数据、编码后的类别标签，输入至卷积层，将卷积结果依次经过池化层和全连接层，经过输出层输出模拟样本数据；
其中，所述生成器包括：卷积层、池化层、全连接层和输出层。
5.根据权利要求4所述的齿轮箱数据模型训练方法，其特征在于，所述生成器的目标函数为：
L(G)＝Max(L1-L2)
所述鉴别器的目标函数为：
L(D)＝Max(L1+L2)
其中，
p(s＝real|xreal)是输出真实数据情况下来源于输入真实数据的概率，
p(s＝generated|xgenerated)是输出生成数据情况下来源于输入生成数据的概率，
p(Class＝c|xreal)是输出真实数据情况下为正确类别标签的概率，
p(Class＝c|xgenerated)是输出生成数据情况下为正确类别标签的概率，
L1数据来源的损失，L2标签分类的损失，xreal为是否真实数据，xgenerated为是否生成数据，Class＝c为标签的类别，P(z)是噪声先验概率，Pdata(x)是真实样本数据分布概率，
表示真实数据分布pdata对x的期望，Ez:p(z)表示从噪声中采样对z的期望。
6.根据权利要求3所述的齿轮箱数据模型训练方法，其特征在于，所述支持向量机模型的损失函数为：
其中，Li为损失函数，sj为第i个数据的第j类预测得分值；
为第i个数据的正确分类的得分值，yi表示第i个数据的正确类别。
7.根据权利要求4所述的齿轮箱数据模型训练方法，其特征在于，所述方法还包括：
在多个时间点内，判断所述支持向量机模型的均方误差是否不小于预设值；
如果是，则重新对所述支持向量机模型进行训练。
8.一种齿轮箱数据模型使用方法，其特征在于，所述方法包括：
接收待检测的齿轮箱数据，并输入至齿轮箱数据模型进行检测；
根据检测结果获取齿轮箱数据为对应每一类型的概率，其中，所述类型包括：正常数据类型以及多类故障类型，中，所述四类故障为：齿断裂、齿面脱落、齿面磨损、齿面变形；
获取其中的最大值，将最大值对应的类型作为齿轮箱数据的类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910916412.2A CN110717579B (zh) | 2019-11-13 | 2019-11-13 | 一种齿轮箱数据模型训练及使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910916412.2A CN110717579B (zh) | 2019-11-13 | 2019-11-13 | 一种齿轮箱数据模型训练及使用方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110717579A true CN110717579A (zh) | 2020-01-21 |
| CN110717579B CN110717579B (zh) | 2023-05-19 |
Family
ID=69210935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910916412.2A Active CN110717579B (zh) | 2019-11-13 | 2019-11-13 | 一种齿轮箱数据模型训练及使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110717579B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116226676A (zh) * | 2023-05-08 | 2023-06-06 | 中科航迈数控软件(深圳)有限公司 | 适用于极端环境的机床故障预测模型生成方法及相关设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631473A (zh) * | 2015-12-24 | 2016-06-01 | 大连理工大学 | 一种有限有标签样本条件的相机来源鉴别方法 |
| CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
| US20180336471A1 (en) * | 2017-05-19 | 2018-11-22 | Mehdi Rezagholizadeh | Semi-supervised regression with generative adversarial networks |
-
2019
- 2019-11-13 CN CN201910916412.2A patent/CN110717579B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631473A (zh) * | 2015-12-24 | 2016-06-01 | 大连理工大学 | 一种有限有标签样本条件的相机来源鉴别方法 |
| US20180336471A1 (en) * | 2017-05-19 | 2018-11-22 | Mehdi Rezagholizadeh | Semi-supervised regression with generative adversarial networks |
| CN108805188A (zh) * | 2018-05-29 | 2018-11-13 | 徐州工程学院 | 一种基于特征重标定生成对抗网络的图像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘其开;姜代红;李文吉;: "基于分段损失的生成对抗网络" * |
| 浦煜;王晓峰;: "基于互信息最大化正则的生成式对抗网络" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116226676A (zh) * | 2023-05-08 | 2023-06-06 | 中科航迈数控软件(深圳)有限公司 | 适用于极端环境的机床故障预测模型生成方法及相关设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110717579B (zh) | 2023-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106895975B (zh) | 基于Stacked SAE深度神经网络的轴承故障诊断方法 | |
| CN111323220B (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
| CN106124212B (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
| CN105910827B (zh) | 基于判别性卷积特征学习的感应电机故障诊断方法 | |
| CN113203566A (zh) | 一种基于一维数据增强和cnn的电机轴承故障诊断方法 | |
| CN111397896A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
| CN112964469A (zh) | 一种迁移学习的变负载下滚动轴承在线故障诊断方法 | |
| CN108932499A (zh) | 一种基于局部二值模式和深度置信网络的滚动轴承预测方法和系统 | |
| CN110263767A (zh) | 结合压缩数据采集和深度学习的智能转轴故障诊断方法 | |
| CN113869208A (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
| CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
| CN111401156A (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| Wu et al. | Ss-InfoGAN for class-imbalance classification of bearing faults | |
| CN114491823B (zh) | 一种基于改进生成对抗网络的列车轴承故障诊断方法 | |
| CN115060494A (zh) | 一种滚动轴承的故障诊断方法 | |
| CN116026569A (zh) | 释放源数据的机械设备无监督迁移智能故障诊断方法 | |
| CN112766200A (zh) | 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法 | |
| CN114420151B (zh) | 基于并联张量分解卷积神经网络的语音情感识别方法 | |
| CN113221946B (zh) | 一种机械设备故障种类的诊断方法 | |
| CN114722520A (zh) | 基于增强字典学习的行星轴承智能故障诊断方法 | |
| CN114548295A (zh) | 基于多尺度领域自适应网络的轴承故障分类系统及方法 | |
| CN110717579A (zh) | 一种齿轮箱数据模型训练及使用方法 | |
| Yan et al. | Attention mechanism-guided residual convolution variational autoencoder for bearing fault diagnosis under noisy environments | |
| CN113723592A (zh) | 一种基于风电齿轮箱监测系统的故障诊断方法 |
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 |