CN111397870B - 一种基于多样化集成卷积神经网络的机械故障预测方法 - Google Patents

一种基于多样化集成卷积神经网络的机械故障预测方法 Download PDF

Info

Publication number
CN111397870B
CN111397870B CN202010154764.1A CN202010154764A CN111397870B CN 111397870 B CN111397870 B CN 111397870B CN 202010154764 A CN202010154764 A CN 202010154764A CN 111397870 B CN111397870 B CN 111397870B
Authority
CN
China
Prior art keywords
neural network
convolutional neural
formula
mechanical fault
prediction model
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.)
Active
Application number
CN202010154764.1A
Other languages
English (en)
Other versions
CN111397870A (zh
Inventor
文龙
邓楚凡
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202010154764.1A priority Critical patent/CN111397870B/zh
Publication of CN111397870A publication Critical patent/CN111397870A/zh
Application granted granted Critical
Publication of CN111397870B publication Critical patent/CN111397870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种基于多样化集成卷积神经网络的机械故障预测方法，包括一以下步骤：数据预处理；构造基于多样性指标的集成深度学习故障预测模型；训练基于多样性指标的集成深度学习故障预测模型。本发明通过设定该模型的学习率为循环余弦学习率机制，使其能在训练过程中多次逼近局部最优值后，通过热重启实现继续搜索，同时在训练模型阶段，构造多样性指标和多样性损失函数，促使该模型发现与原有局部最优值差异化更大的新局部最优值。最后对所有局部最优值的卷积神经网络模型进行集成。本发明的有益效果是：该方法提高了故障预测的精度及效率，且适用性较好，有利于在实际应用中推广使用。

Description

一种基于多样化集成卷积神经网络的机械故障预测方法
技术领域
本发明涉及神经网络故障预测相关技术领域，尤其涉及一种基于多样化集成卷积神经网络的机械故障预测方法。
背景技术
故障诊断在现代装备制造业占有重要地位。随着智能制造的飞速发展，设备变得越来越复杂，而这些设备的故障可能造成巨大的经济损失，甚至导致危险情况的发生。故障诊断是确保上述装备稳定、可靠、安全的关键技术，也是当前学术界和工程界研究的热点。
随着人工智能(AI)的发展，深度学习(DL)已经成为机器学习领域的一种新范式。DL具有数据表示能力，能够自动提取数据特征，这可以消除对传统手工提取参数的依赖性。因此DL在故障诊断领域取得了显著的应用效果。但是在实际的工业应用中，所采集的数据具有噪音和随机性，而单一的DL方法仅仅能刻画所采集数据的某一部分特征，导致其存在泛化能力不强的问题，限制了其应用效果的提升。
集成学习模型是提高机器学习泛化能力的有效方法，其通利用多个基学习器(单个学习器)学习数据的不同特征，并通过一定的组合策略，进而实现更加稳健的学习方法。基于集成学习模型的故障诊断模型已经得到了大量研究成果和实际应用效果。在集成学习模型中，多个学习器的多样性是确保集成学习模型的关键性指标之一。传统方法在构造多个基学习器时往往采用不同的数据抽样方法、不同的算法结构、不同的算法参数来提高学习器间的多样性。然而，上述的多样性策略均为定性方法。因此研究定型化的多样性指标以提高基于集成学习的故障诊断模型的算法性能是非常必要的。相应地，本领域存在着发展一种稳健性更好的机械故障预测方法的技术需求。
发明内容
有鉴于此，本发明提供了一种基于多样化集成卷积神经网络的机械故障预测方法。
本发明提供一种基于多样化集成卷积神经网络的机械故障预测方法，具体包括：
S101：对机械故障振动信号进行数据预处理；
S102：基于LeNet-5模型改进卷积神经网络，并依据改进卷积神经网络构造基于多样化集成卷积神经网络的机械故障预测模型；
S103：设定所述基于多样化集成卷积神经网络的机械故障预测模型的学习率为循环余弦学习率机制，构造多样性指标和多样性损失函数，训练所述基于多样化集成卷积神经网络的机械故障预测模型。
进一步地，步骤S101具体为：步骤S101具体为：采集机械故障振动信号，采用S变换将所述机械故障振动信号进行时频分析，得到所述机械故障振动信号的时频信号。
进一步地，步骤S102中，利用所述训练集和测试集的时频信号构建基于多样化集成卷积神经网络的机械故障预测模型；所述改进卷积神经网络，具体为：在最大池化层之前插入多个卷积层；包括：插入在第一个最大池化层之前的1个7×7×64的卷积层和3个5×5×96的卷积层；插入在第二个最大池化层之前的3个3×3×128的卷积层；插入在第三个最大池化层之前的2个3×3×256的卷积层；插入在第四个最大池化层之前的1个3×3×256的卷积层；其中所述3×3、5×5和7×7分别表示卷积层的卷积滤波器尺寸为3×3、5×5和7×7；所述64、128和256分别表示卷积层的深度为64、128和256；除7×7×64的卷积层的步长为2×2以外，其余卷积层步长均为1×1。
进一步地，步骤S102中，所述基于多样化集成卷积神经网络的机械故障预
测模型fsel如式(1)所示：
Figure BDA0002403686260000031
式(1)中，fi,i＝1…M表示每个局部最优值对应的卷积神经网络模型，M表示所有局部最优值的个数。
进一步地，步骤S103中，所述基于多样化集成卷积神经网络的机械故障预测模型的学习率公式如式(2)所示：
Figure BDA0002403686260000032
式(2)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，
Figure BDA0002403686260000033
是取整函数，mod(·,·)表示求余函数。
进一步地，步骤103中，所述基于多样化集成卷积神经网络的机械故障预测模型的损失由交叉熵来表示，所述交叉熵如式(3)所示：
Figure BDA0002403686260000034
式(3)中，N表示样本数，Yi和Pi是卷积神经网络模型在第i个样本上的标签与其预测结果；
所述基于多样化集成卷积神经网络的机械故障预测模型的损失函数如式(4)：
Figure BDA0002403686260000035
式(4)中，ε设定为1e-10，J表示已获得的局部最优值的数量，YPj,j＝1…J是模型fi的预测标签。
进一步地，步骤S103中，所述多样性指标如式(5)所示：
Figure BDA0002403686260000036
进一步地，所述S变换，具体如式(6)所示：
Figure BDA0002403686260000041
式(6)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，j表示复数单位。
进一步地，训练所述基于多样化集成卷积神经网络的机械故障预测模型具体
步骤如下：
S201：初始化所述改进卷积神经网络的结构，并利用公式(3)训练第一个局部最优值；
S202：将所述基于多样化集成卷积神经网络的机械故障预测模型的损失函数重置为公式(4)以训练后续的局部最优值；
S203：训练完所有局部最优值后，使用公式(6)实现对所有局部最优值的集成。
所述基于多样化集成卷积神经网络的机械故障预测模型采用随机梯度下降算法对故障振动信号的分类误差进行最小化。
本发明提供的技术方案带来的有益效果是：该方法提高了故障预测的精度及效率，且适用性较好，有利于在实际应用中推广使用。
附图说明
图1是本发明一种基于多样化集成卷积神经网络的机械故障预测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
请参考图1，本发明的实施例提供了一种基于多样化集成卷积神经网络的机械故障预测方法的结构图，具体包括：
S101：对机械故障振动信号进行数据预处理；
S102：基于LeNet-5模型改进卷积神经网络，并依据改进卷积神经网络构造基于多样化集成卷积神经网络的机械故障预测模型；
S103：设定所述基于多样化集成卷积神经网络的机械故障预测模型的学习率为循环余弦学习率机制，构造多样性指标和多样性损失函数，训练所述基于多样化集成卷积神经网络的机械故障预测模型。
步骤S101具体为：采集机械故障振动信号，采用S变换将所述机械故障振动信号进行时频分析，得到所述机械故障振动信号的时频信号。
步骤S102中，利用所述训练集和测试集的时频信号构建基于多样化集成卷积神经网络的机械故障预测模型；所述改进卷积神经网络，如表1所示，具体为：在最大池化层之前插入多个卷积层；包括：插入在第一个最大池化层之前的1个7×7×64的卷积层和3个5×5×96的卷积层；插入在第二个最大池化层之前的3个3×3×128的卷积层；插入在第三个最大池化层之前的2个3×3×256的卷积层；插入在第四个最大池化层之前的1个3×3×256的卷积层；其中所述3×3、5×5和7×7分别表示卷积层的卷积滤波器尺寸为3×3、5×5和7×7；所述64、128和256分别表示卷积层的深度为64、128和256；除7×7×64的卷积层的步长为2×2以外，其余卷积层步长均为1×1。
表1改进的卷积神经网络结构
Figure BDA0002403686260000051
Figure BDA0002403686260000061
步骤S102中，所述基于多样化集成卷积神经网络的机械故障预测模型fsel如
式(1)所示：
Figure BDA0002403686260000062
式(1)中，fi,i＝1…M表示每个局部最优值对应的卷积神经网络模型，M表示所有局部最优值的个数。
步骤S103中，所述基于多样化集成卷积神经网络的机械故障预测模型的学习率公式如式(2)所示：
Figure BDA0002403686260000063
式(2)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，
Figure BDA0002403686260000064
是取整函数，mod(·,·)表示求余函数。
步骤103中，所述基于多样化集成卷积神经网络的机械故障预测模型的损失由交叉熵来表示，所述交叉熵如式(3)所示：
Figure BDA0002403686260000065
式(3)中，N表示样本数，Yi和Pi是卷积神经网络模型在第i个样本上的标签与其预测结果；
所述基于多样化集成卷积神经网络的机械故障预测模型的损失函数如式(4)：
Figure BDA0002403686260000066
式(4)中，ε设定为1e-10，J表示已获得的局部最优值的数量，YPj,j＝1…J是模型fi的预测标签。
步骤S103中，所述多样性指标如式(5)所示：
Figure BDA0002403686260000071
所述S变换，具体如式(6)所示：
Figure BDA0002403686260000072
式(6)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，j表示复数单位。
训练所述基于多样化集成卷积神经网络的机械故障预测模型具体步骤如下：
S201：初始化所述改进卷积神经网络的结构，并利用公式(3)训练第一个局部最优值；
S202：将所述基于多样化集成卷积神经网络的机械故障预测模型的损失函数重置为公式(4)以训练后续的局部最优值；
S203：训练完所有局部最优值后，使用公式(6)实现对所有局部最优值的集成。
所述基于多样化集成卷积神经网络的机械故障预测模型采用随机梯度下降算法对故障振动信号的分类误差进行最小化。
为了更好的对本发明提出的内容进行解释说明，下面提供2个采用本发明的具体实施案例。
案例一采用的数据集是由凯斯西储大学(CWRU)提供的轴承数据集。本实验采集振动信号，以进一步分析轴承的健康状态，也采集了正常轴承、单点驱动端和风机端的振动信号。采样频率为12kHz。轴承健康状态包括正常状态(NO)和三种故障状态，分别为滚柱故障(RF)、外圈故障(OF)和内圈故障(IF)。每种故障状态有三种损伤尺寸，分别为0.18mm、0.36mm和0.54mm。实验在四种工作负载条件下进行，电机负载分别为0、1、2、3HP，近似速度如表1中所示。
表1
Figure BDA0002403686260000081
本研究选取驱动端振动信号进行轴承健康状态预测，将每种损伤大小的故障状态视为一种特定的健康状态，共9种故障状态。故障状态和正常状态组成10种健康状态。将ISECNN应用于该数据集的故障诊断，并将五次交叉验证应用于其性能评估.
将ISECNN的性能与结构相同的其他三种CNN模型相比，他们的训练性能都有所不同。它们是不使用集成技术的ISCNN余弦，应用于随机梯度下降(SGD)的学习率衰减的ISCNN衰减，以及使用SGD学习率逐步衰减的ISCNN阶跃衰减。ISECNN、ISCNN余弦、ISCNN衰减和ISCNN阶跃衰减的交叉验证结果见表2和表3。
表2各方法预测精度
Figure BDA0002403686260000082
表3各方法标准差
Figure BDA0002403686260000083
Figure BDA0002403686260000091
从表2可以看出，在这四个模型中，ISECNN的预测精度交叉验证结果最好。在四种负载下的数据集上均取得了较好的结果，平均预测精度为99.67％，优于ISCNN余弦、ISCNN衰减和ISCNN阶跃衰减。表3给出了与表2相似的结果，并显示了这四个模型上标准差结果的交叉验证。可见，ISECNN的标准差结果为0.00137，是最小的，而对于ISCNN衰变和ISCNN阶跃衰变的标准差结果，这个值减少了10倍以上。由于ISECNN的交叉验证具有更好的预测精度和标准差值，表明ISECNN比其他三种模型有了较大的改进。
案例二中将提出的ISECNN与其他已经发表文献的著名的基于深度学习的方法和传统的基于机器学习的方法进行了比较。并且，将提出的ISECNN与传统的深度学习和机器学习方法进行了比较。比较的结果见表6。
表6各方法预测精度
Figure BDA0002403686260000092
如表7所示，在比较中，ISECNN的平均预测精度为97.928％，优于SECNN、ICN、HCNN、WDCNN、WDCNN(AdaBN)、TICNN和集成TICNN。在本组实验中，ISECNN显示了对“3→1”案例的极大改进，获得了高达96.80％的结果。将提出的ISECNN与传统的深度学习和机器学习方法进行了比较。从结果可以看出，ISECNN的性能优于ResNet、AlexNet、SVM和ANN。除案例“3→2”外，ISECNN对其他5种案例的预测效果最好。这些结果表明，与这些方法相比，ISECNN取得了很大的进步，表明ISECNN在故障诊断方面具有良好的性能。
本发明的有益效果是：该方法提高了故障预测的精度及效率，且适用性较好，有利于在实际应用中推广使用。
在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于多样化集成卷积神经网络的机械故障预测方法，其特征在于：具体包括以下步骤：
S101：对机械故障振动信号进行数据预处理；
S102：基于LeNet-5模型改进卷积神经网络，并依据改进卷积神经网络构造基于多样化集成卷积神经网络的机械故障预测模型；
S103：设定所述基于多样化集成卷积神经网络的机械故障预测模型的学习率为循环余弦学习率机制，构造多样性指标和多样性损失函数，训练所述基于多样化集成卷积神经网络的机械故障预测模型；
步骤S103中，所述多样性指标如式(5)所示：
Figure FDA0002944103830000011
步骤S102中，利用所述机械故障振动信号的时频信号构建基于多样化集成卷积神经网络的机械故障预测模型；所述改进卷积神经网络，具体为：在最大池化层之前插入多个卷积层；包括：插入在第一个最大池化层之前的1个7×7×64的卷积层和3个5×5×96的卷积层；插入在第二个最大池化层之前的3个3×3×128的卷积层；插入在第三个最大池化层之前的2个3×3×256的卷积层；插入在第四个最大池化层之前的1个3×3×256的卷积层；其中所述3×3、5×5和7×7分别表示卷积层的卷积滤波器尺寸为3×3、5×5和7×7；所述64、128和256分别表示卷积层的深度为64、128和256；除7×7×64的卷积层的步长为2×2以外，其余卷积层步长均为1×1；
步骤S102中，所述基于多样化集成卷积神经网络的机械故障预测模型fsel如式(1)所示：
Figure FDA0002944103830000012
式(1)中，fi,i＝1…M表示每个局部最优值对应的卷积神经网络模型，M表示所有局部最优值的个数；
步骤103中，所述基于多样化集成卷积神经网络的机械故障预测模型的损失由交叉熵来表示，所述交叉熵如式(3)所示：
Figure FDA0002944103830000021
式(3)中，N表示样本数，Yi和Pi是卷积神经网络模型在第i个样本上的标签与其预测结果；
所述基于多样化集成卷积神经网络的机械故障预测模型的损失函数如式(4)：
Figure FDA0002944103830000022
式(4)中，ε设定为1e-10，J表示已获得的局部最优值的数量，YPj,j＝1…J表示第j个模型fi的预测标签。
2.如权利要求1所述的一种基于多样化集成卷积神经网络的机械故障预测方法，其特征在于：步骤S101具体为：采集机械故障振动信号，采用S变换将所述机械故障振动信号进行时频分析，得到所述机械故障振动信号的时频信号。
3.如权利要求1所述的一种基于多样化集成卷积神经网络的机械故障预测方法，其特征在于：步骤S103中，所述基于多样化集成卷积神经网络的机械故障预测模型的学习率公式如式(2)所示：
Figure FDA0002944103830000023
式(2)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，
Figure FDA0002944103830000024
是取整函数，mod(·,·)表示求余函数。
4.如权利要求2所述的一种基于多样化集成卷积神经网络的机械故障预测方法，其特征在于：所述S变换，具体如式(6)所示：
Figure FDA0002944103830000025
式(6)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，j表示复数单位。
5.如权利要求2所述的一种基于多样化集成卷积神经网络的机械故障预测方法，其特征在于：训练所述基于多样化集成卷积神经网络的机械故障预测模型具体步骤如下：
S201：初始化所述改进卷积神经网络的结构，并利用公式(3)训练第一个局部最优值；
S202：将所述基于多样化集成卷积神经网络的机械故障预测模型的损失函数重置为公式(4)以训练后续的局部最优值；
S203：训练完所有局部最优值后，使用公式(6)实现对所有局部最优值的集成。
6.如权利要求1所述的一种基于多样化集成卷积神经网络的机械故障预测方法，其特征在于：所述基于多样化集成卷积神经网络的机械故障预测模型采用随机梯度下降算法对故障振动信号的分类误差进行最小化。
CN202010154764.1A 2020-03-08 2020-03-08 一种基于多样化集成卷积神经网络的机械故障预测方法 Active CN111397870B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010154764.1A CN111397870B (zh) 2020-03-08 2020-03-08 一种基于多样化集成卷积神经网络的机械故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010154764.1A CN111397870B (zh) 2020-03-08 2020-03-08 一种基于多样化集成卷积神经网络的机械故障预测方法

Publications (2)

Publication Number Publication Date
CN111397870A CN111397870A (zh) 2020-07-10
CN111397870B true CN111397870B (zh) 2021-05-14

Family

ID=71428579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010154764.1A Active CN111397870B (zh) 2020-03-08 2020-03-08 一种基于多样化集成卷积神经网络的机械故障预测方法

Country Status (1)

Country Link
CN (1) CN111397870B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334936A (zh) * 2018-01-30 2018-07-27 华中科技大学 基于迁移卷积神经网络的故障预测方法
CN109284606A (zh) * 2018-09-04 2019-01-29 中国人民解放军陆军工程大学 基于经验特征与卷积神经网络的数据流异常检测系统
CN109299705A (zh) * 2018-10-24 2019-02-01 电子科技大学 基于一维深度残差卷积神经网络的旋转机械故障诊断方法
CN109978134A (zh) * 2019-02-26 2019-07-05 华中科技大学 一种基于快速集成卷积神经网络的故障预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07119677B2 (ja) * 1989-07-18 1995-12-20 昇 矢畑 流体素子を用いた薄板用曲げ及び衝撃疲労試験機
US10332509B2 (en) * 2015-11-25 2019-06-25 Baidu USA, LLC End-to-end speech recognition
CN106897390B (zh) * 2017-01-24 2019-10-15 北京大学 基于深度度量学习的目标精确检索方法
CN107563493A (zh) * 2017-07-17 2018-01-09 华南理工大学 一种多生成器卷积合成图像的对抗网络算法
CN108763326B (zh) * 2018-05-04 2021-01-12 南京邮电大学 一种基于特征多样化的卷积神经网络的情感分析模型构建方法
CN110033021B (zh) * 2019-03-07 2021-04-06 华中科技大学 一种基于一维多路卷积神经网络的故障分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334936A (zh) * 2018-01-30 2018-07-27 华中科技大学 基于迁移卷积神经网络的故障预测方法
CN109284606A (zh) * 2018-09-04 2019-01-29 中国人民解放军陆军工程大学 基于经验特征与卷积神经网络的数据流异常检测系统
CN109299705A (zh) * 2018-10-24 2019-02-01 电子科技大学 基于一维深度残差卷积神经网络的旋转机械故障诊断方法
CN109978134A (zh) * 2019-02-26 2019-07-05 华中科技大学 一种基于快速集成卷积神经网络的故障预测方法

Also Published As

Publication number Publication date
CN111397870A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN109102005B (zh) 基于浅层模型知识迁移的小样本深度学习方法
Ragab et al. Remaining useful life prediction using prognostic methodology based on logical analysis of data and Kaplan–Meier estimation
CN109978134B (zh) 一种基于快速集成卷积神经网络的故障预测方法
CN111046187B (zh) 基于对抗式注意力机制的一样本知识图谱关系学习方法及系统
Haroun et al. Multiple features extraction and selection for detection and classification of stator winding faults
CN113673346B (zh) 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法
CN115791174B (zh) 一种滚动轴承异常诊断方法、系统、电子设备及存储介质
CN114819315A (zh) 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法
CN116702076A (zh) 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质
CN115345255A (zh) 一种故障诊断方法、控制装置、终端及存储介质
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN114048787B (zh) 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统
Zhang et al. Rolling bearing fault diagnosis using improved deep residual shrinkage networks
CN113256443B (zh) 核电水泵导轴承故障检测方法、系统、设备及可读存储介质
Wang et al. Distilling the knowledge of multiscale densely connected deep networks in mechanical intelligent diagnosis
CN111397870B (zh) 一种基于多样化集成卷积神经网络的机械故障预测方法
Liang et al. Intelligent fault diagnosis of rotating machinery using lightweight network with modified tree‐structured parzen estimators
CN117390411A (zh) 基于元迁移学习的变工况轴承故障诊断方法
Li et al. Fault diagnosis and prediction of complex system based on Hidden Markov model
CN111766513A (zh) 一种基于胶囊网络的三相感应电机变工况多故障诊断方法
CN116467652A (zh) 一种基于卷积降噪自编码器的轴承故障预测方法及系统
CN114978586B (zh) 一种基于攻击基因的电网攻击检测方法、系统和电子设备
CN113590867B (zh) 基于分层度量学习的跨模态信息检索方法
CN116227586A (zh) 基于深度残差收缩原型网络的元学习故障诊断方法及装置
He et al. Simultaneous bearing fault diagnosis and severity detection using a LAMSTAR network‐based approach

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