CN111445147A - 一种用于机械故障诊断的生成式对抗网络模型评估方法 - Google Patents

一种用于机械故障诊断的生成式对抗网络模型评估方法 Download PDF

Info

Publication number
CN111445147A
CN111445147A CN202010229817.1A CN202010229817A CN111445147A CN 111445147 A CN111445147 A CN 111445147A CN 202010229817 A CN202010229817 A CN 202010229817A CN 111445147 A CN111445147 A CN 111445147A
Authority
CN
China
Prior art keywords
network model
sample
confrontation network
generative confrontation
generative
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.)
Pending
Application number
CN202010229817.1A
Other languages
English (en)
Inventor
罗佳
黄晋英
马健程
李红梅
吕彩琴
张利东
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.)
North University of China
Original Assignee
North University of China
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 North University of China filed Critical North University of China
Priority to CN202010229817.1A priority Critical patent/CN111445147A/zh
Publication of CN111445147A publication Critical patent/CN111445147A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种用于机械故障诊断的生成式对抗网络模型评估方法，采用三个定量评估指标Jensen‑Shannon divergence(JSD)散度，Kernel Maximum Mean Discrepancy(MMD)和1‑Nearest Neighbor classifier（1‑NN）评估生成式对抗网络模型。利用这三个评价指标分辨真实样本和生成样本的能力，分辨模式坍塌的能力和检测模型过拟合能力，验证所提出的生成式对抗网络模型的有效性。通过评估能够表明JSD散度可以评估生成模型生成数据的质量，MMD和1‑NN能够从真实样本中识别生成样本，在机械故障诊断领域是很好的度量标准。

Description

一种用于机械故障诊断的生成式对抗网络模型评估方法
技术领域
本发明涉及一种用于机械故障诊断的生成式对抗网络模型评估方法，属于故障诊断技术领域。
背景技术
近年来，生成模型，特别是生成式对抗网络(GAN)已经得到了极大的关注，是当下热门的人工智能技术之一。尽管在理论方面取得了很大的进展，但评估和比较GAN仍然是极具挑战性。自从提出了GAN模型后，近几年出现了许多变体，一些评估措施也浮出水面。有些尝试定性评估，通常需要借助人工检验生成图像的视觉保真度来进行；有些尝试定量评估，利用统计学中的研究工具来评估生成分布和目标分布之间的差异。在这些方法中，不管是定性评估还是定量评估GAN模型，都是在计算机视觉问题上取得的成果。
GAN有许多应用领域，不同的应用领域评估方法也不同。不同的应用领域需要选择正确的度量标准。比如GAN在机械故障诊断领域中的应用，现有的一些评价指标Inceptionscore(IS),Fréchet inception distance(FID)等放在故障诊断领域来评价，很可能造成误判。对于时间序列信号，尤其是机械传感器信号，需要考虑传感器数据的固有属性，评估指标是基于这些统计特征设计的。所以在特定的应用领域选择正确的评价指标是非常重要的，正如选择正确的评估指标可以得出正确的结论一样。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种用于机械故障诊断的生成式对抗网络模型评估方法。
本发明解决其技术问题所采用的技术方案是：构造一种用于机械故障诊断的生成式对抗网络模型评估方法，包括：
收集不同工况、负载下机械传动系统振动数据，建立样本训练集；
通过对抗学习机制，利用样本训练集训练生成式对抗网络模型，将训练好的生成式对抗网络模型用于生成振动样本数据；
利用JSD散度(Jensen-Shannon Divergence)、最大平均差异MMD(Kernel MaximumMean Discrepancy)、最邻近分类器1-NN(1-Nearest Neighbor classifier)三个指标对生成式对抗网络模型进行评估，包括生成数据质量评估、模型坍塌评估和生成数据过拟合评估。
其中，在利用JSD散度对生成式对抗网络模型生成振动样本数据集的质量进行评估的步骤中，采用JSD散度计算样本训练集和生成式对抗网络模型生成振动样本数据集的接近程度。
其中，JSD散度公式定义为：
Figure BDA0002428938300000021
其中，m＝(p+q)/2是p和q分布的等量混合，p为样本训练集，q为生成式对抗网络模型生成振动样本数据集；JSD散度的值域范围是[0,1]，相同则是0，相反为1。
其中，在利用最大平均差异MMD对生成式对抗网络模型进行评估的步骤中，MMD用于判断原始样本分布p和生成样本分布q是否相同；如果样本训练集和生成式对抗网络模型生成振动样本数据集两个样本分布相似，那么通过寻找在样本空间上的连续函数k，求不同样本k函数的均值，计算均值的差作为样本训练集和样本数据集在k函数下的平均差异，选择其中最大值作为MMD。
其中，最大平均差异MMD公式定义为：
Figure BDA0002428938300000022
分别从p和q中采样两组样本，p和q之间的MMD通过有限样本的期望逼近计算；选择高斯核函数
Figure BDA0002428938300000023
来作为核函数，高斯核σ取多个值，分别求核函数并作和，作为最后的核函数。
其中，在利用最邻近分类器1-NN对生成式对抗网络模型进行评估的步骤中，以样本训练集作为正样本，以生成式对抗网络模型生成振动样本数据集作为负样本，结合留一法，计算正样本和负样本的精度；如果二者接近，则精度接近50％，否则接近0％。
区别于现有技术，本发明提供的用于机械故障诊断的生成式对抗网络模型评估方法采用三个定量评估指标Jensen-Shannon divergence(JSD)散度，Kernel Maximum MeanDiscrepancy(MMD)和1-Nearest Neighbor classifier(1-NN)评估生成式对抗网络模型。利用这三个评价指标分辨真实样本和生成样本的能力，分辨模式坍塌的能力和检测模型过拟合能力，验证所提出的生成式对抗网络模型的有效性。通过评估能够表明JSD散度可以评估生成模型生成数据的质量，MMD和1-NN能够从真实样本中识别生成样本，在机械故障诊断领域是很好的度量标准。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的一种用于机械故障诊断的生成式对抗网络模型评估方法的流程示意图。
图2是本发明提供的一种用于机械故障诊断的生成式对抗网络模型评估方法中行星齿轮箱实验系统的结构示意图。
图3是本发明提供的一种用于机械故障诊断的生成式对抗网络模型评估方法中基于故障诊断的条件深度卷积生成式对抗网络(C-DCGAN)结构示意图。
图4是本发明提供的一种用于机械故障诊断的生成式对抗网络模型评估方法中基于数据集样本的评估方法的流程图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
如图1所示，本发明的一种用于机械故障诊断的生成式对抗网络模型评估方法，包括：
S110：收集不同工况、负载下机械传动系统振动数据，建立样本训练集。
本发明中，机械传动系统以行星齿轮箱为例进行说明，其结构如图2所示，由变速驱动电机、轴承、斜齿轮箱、行星齿轮箱、磁粉制动器、变频驱动控制器和负载控制器等组成。同时配备断齿齿轮，磨损齿轮。行星齿轮箱故障诊断实验平台模拟工作状态，通过安装在齿轮箱体表面顶部的加速度传感器测试振动信号，采样频率为10240Hz，在3种电机转速(900r/min、1200r/min和1500r/min)和3种负载(0、30N·m和80N·m)情况下连续采样60s，分别对应四种不同故障模式：行星轮外圈裂纹、行星轮磨损、太阳轮断齿、正常。
S120：通过对抗学习机制，利用样本训练集训练生成式对抗网络模型，将训练好的生成式对抗网络模型用于生成振动样本数据。
本发明的方法可对不同类型的生成式对抗网络模型进行评估，在本实施方式中，以条件深度卷积生成式对抗网络模型(C-DCGAN)为例进行说明。
C-DCGAN故障诊断模型由一个生成器和一个判别器构成。利用CNN作为GAN的生成器，用于捕获原始振动数据的真实分布，生成具有相似原始数据分布的新样本，以扩展训练故障样本的数量。同样用CNN作为GAN的判别器，对输入样本和真实样本进行鉴别。生成的新样本与原始样本一起输入鉴别器，以提高故障分类器的泛化能力。
CNN生成器根据输入振动信号样本标签数据产生新的样本Xfake，把新样本和原始真实标签数据Xreal一起输入到CNN判别器进行真实性判别，然后使用真实性标签误差和类别标签误差作为损失函数，交替迭代训练生成器和判别器。之后将训练好的C-DCGAN中的判别器抽取出来，形成用于故障模式识别的新网络结构。基于故障诊断的C-DCGAN构架见附图3所示。
S130：利用JSD散度(Jensen-Shannon Divergence)、最大平均差异MMD(KernelMaximum Mean Discrepancy)、最邻近分类器1-NN(1-Nearest Neighbor classifier)三个指标对生成式对抗网络模型进行评估，包括生成数据质量评估、模型坍塌评估和生成数据过拟合评估。
采用上述三种技术指标分别对C-DCGAN故障诊断模型进行评估。
本发明采用的方法是利用已经训练好的分类器(ResNet 34层网络)来做判别，为了避免模式坍塌，还需要从振动信号的多样性来衡量，生成一组数据得到一组不同的数据分布，然后进行平均，如果分布比较平滑，说明生成的数据不单一。以上评估方法均是基于样本做的评估，是对真实样本和生成样本提取特征，然后在卷积特征空间做距离度量。评估方法如附图4所示。
利用JSD、MMD、1-NN三个指标对所提出的C-DCGAN模型生成数据的质量进行评估。对于每个度量，根据技术方案里给定的公式计算其真实样本和生成样本的分数。然后再对三个指标分辨真实数据和生成数据的能力进行实验。具体实现方法是：随机选取一定数量的真实数据和生成数据，其构建混合比率为2％(生成数据＝真实数据×2％，真实数据按照剩余混合比率随机生成)。若混合比率为0是真实数据，混合比率为1是生成数据。对于有判别力的指标，其分数是随着混合数据集中C-DCGAN生成样本数量增加而增加。而对于分辨真假能力不足的指标，不会出现随着数据集中生成数据的增加而增加，可能减低或保持在一个固定值附近。
其中，在利用JSD散度对生成式对抗网络模型生成振动样本数据集的质量进行评估的步骤中，采用JSD散度计算样本训练集和生成式对抗网络模型生成振动样本数据集的接近程度。
其中，JSD散度公式定义为：
Figure BDA0002428938300000061
其中，m＝(p+q)/2是p和q分布的等量混合，p为样本训练集，q为生成式对抗网络模型生成振动样本数据集；JSD散度的值域范围是[0,1]，相同则是0，相反为1。
其中，在利用最大平均差异MMD对生成式对抗网络模型进行评估的步骤中，MMD用于判断p和q是否相同；如果样本训练集和生成式对抗网络模型生成振动样本数据集两个样本分布相似，那么通过寻找在样本空间上的连续函数k，求不同样本k函数的均值，计算均值的差作为样本训练集和样本数据集在k函数下的平均差异，选择其中最大值作为MMD。
其中，最大平均差异MMD公式定义为：
Figure BDA0002428938300000062
分别从p和q中采样两组样本，p和q之间的MMD通过有限样本的期望逼近计算；选择高斯核函数
Figure BDA0002428938300000063
来作为核函数，高斯核σ取多个值，分别求核函数并作和，作为最后的核函数。
其中，在利用最邻近分类器1-NN对生成式对抗网络模型进行评估的步骤中，以样本训练集作为正样本，以生成式对抗网络模型生成振动样本数据集作为负样本，结合留一法，计算正样本和负样本的精度；如果二者接近，则精度接近50％，否则接近0％。这个评价指标可近一步划分为1-NN accuracy(real)和1-NN accuracy(fake)，分别指的是这个分类器在真实样本中的准确率和生成样本中的准确率。本发明也将区分这两种情况来衡量生成样本的真实性和多样性。
通过设计实验，利用评估指标检测C-DCGAN模式坍塌问题。将齿轮箱故障诊断数据集映射到隐空间，共有4种故障模式，每种故障模式对应一个团簇，4种故障数据集的概率分布密度函数具有自己的峰值、频率和相位，每种故障称为一个模式。理想情况下，C-DCGAN生成模型应该能够生成四种，如果只能生成其中的几种，而错失其它模式，则为模式坍塌。模拟模式坍塌实验方法是：首先对数据进行预处理，随机选取真实数据集和生成数据集(行星齿轮箱数据集中900转速样本12288个，1200转速样本2352个，1500转速样本1728个，共计16368个样本)，在训练集中用k-means算法找到4个簇类，并逐渐将每个类用类中心替代，模拟模式坍塌。随着更多模式向聚类中心靠拢，指标分数开始向上增加，生成数据质量下降，到达一定比率后，1-NN(real)和1-NN(fake)慢慢重合，生成数据和原始数据匹配。JSD指标一直是直线，在这个实验过程中检测不到两者的差别，所以对模式崩塌不敏感。
通过设计实验，利用评估指标检测C-DCGAN模型的过拟合问题。本实验将行星齿轮箱数据划分为三个数据集，即训练集，验证集和混合集(训练集和除去训练集和验证集的真实数据混合的集合)。混合集被看作是C-DCGAN生成的数据(模拟)。实验原理是：发生过拟合，就是C-DCGAN模型记录下了训练集中所有的数据，也就是生成数据中出现了大量和训练数据一样的数据。所有的指标在齿轮箱数据集中都没有检测出过拟合的发生，都小于0.5这个阈值。如果检测出过拟合，泛化差距应该随着更多生成样本和训练集中真实样本的重合而增加，反之则是降低或收敛至0。实验结果可以得出C-DCGAN模型在齿轮箱数据集上的泛化差距没有明显的差异，表明C-DCGAN不会过度拟合训练数据，收敛速度快，在齿轮箱数据集上训练更加稳定，并且可以收敛到更好的位置。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (6)

1.一种用于机械故障诊断的生成式对抗网络模型评估方法，其特征在于，包括步骤：
收集不同工况、负载下机械传动系统振动数据，建立样本训练集；
通过对抗学习机制，利用样本训练集训练生成式对抗网络模型，将训练好的生成式对抗网络模型用于生成振动样本数据；
利用JSD散度(Jensen-Shannon Divergence)、最大平均差异MMD(Kernel MaximumMean Discrepancy)、最邻近分类器1-NN(1-Nearest Neighbor classifier)三个指标对生成式对抗网络模型进行评估，包括生成数据质量评估、模型坍塌评估和生成数据过拟合评估。
2.根据权利要求1所述的用于机械故障诊断的生成式对抗网络模型评估方法，其特征在于，在利用JSD散度对生成式对抗网络模型生成振动样本数据集的质量进行评估的步骤中，采用JSD散度计算样本训练集和生成式对抗网络模型生成振动样本数据集的接近程度。
3.根据权利要求2所述的用于机械故障诊断的生成式对抗网络模型评估方法，其特征在于，JSD散度公式定义为：
Figure FDA0002428938290000011
其中，m＝(p+q)/2是p和q分布的等量混合，p为样本训练集，q为生成式对抗网络模型生成振动样本数据集；JSD散度的值域范围是[0,1]，相同则是0，相反为1。
4.根据权利要求1所述的用于机械故障诊断的生成式对抗网络模型评估方法，其特征在于，在利用最大平均差异MMD对生成式对抗网络模型进行评估的步骤中，MMD用于判断原始样本分布p和生成样本q是否相同；如果样本训练集和生成式对抗网络模型生成振动样本数据集两个样本分布相似，那么通过寻找在样本空间上的连续函数k，求不同样本k函数的均值，计算均值的差作为样本训练集和样本数据集在k函数下的平均差异，选择其中最大值作为MMD。
5.根据权利要求4所述的用于机械故障诊断的生成式对抗网络模型评估方法，其特征在于，最大平均差异MMD公式定义为：
Figure FDA0002428938290000021
分别从p和q中采样两组样本，p和q之间的MMD通过有限样本的期望逼近计算；选择高斯核函数
Figure FDA0002428938290000022
来作为核函数，高斯核σ取多个值，分别求核函数并作和，作为最后的核函数。
6.根据权利要求1所述的用于机械故障诊断的生成式对抗网络模型评估方法，其特征在于，在利用最邻近分类器1-NN对生成式对抗网络模型评估的步骤中，以样本训练集作为正样本，以生成式对抗网络模型生成振动样本数据集作为负样本，任取一个样本作为验证集，用另一样本训练1-NN分类器，计算正样本和负样本的精度；如果二者接近，则精度接近50％，否则接近0％。
CN202010229817.1A 2020-03-27 2020-03-27 一种用于机械故障诊断的生成式对抗网络模型评估方法 Pending CN111445147A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010229817.1A CN111445147A (zh) 2020-03-27 2020-03-27 一种用于机械故障诊断的生成式对抗网络模型评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010229817.1A CN111445147A (zh) 2020-03-27 2020-03-27 一种用于机械故障诊断的生成式对抗网络模型评估方法

Publications (1)

Publication Number Publication Date
CN111445147A true CN111445147A (zh) 2020-07-24

Family

ID=71649143

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010229817.1A Pending CN111445147A (zh) 2020-03-27 2020-03-27 一种用于机械故障诊断的生成式对抗网络模型评估方法

Country Status (1)

Country Link
CN (1) CN111445147A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112649198A (zh) * 2021-01-05 2021-04-13 西交思创智能科技研究院(西安)有限公司 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用
CN112699550A (zh) * 2020-12-28 2021-04-23 山东大学 一种基于迁移学习的切削力神经网络预测模型训练方法
CN113486925A (zh) * 2021-06-07 2021-10-08 北京鹰瞳科技发展股份有限公司 模型训练方法、眼底图像生成方法、模型评估方法及装置
CN113505876A (zh) * 2021-06-11 2021-10-15 国网浙江省电力有限公司嘉兴供电公司 一种基于生成式对抗网络的高压断路器故障诊断方法
WO2023097774A1 (zh) * 2021-11-30 2023-06-08 深圳先进技术研究院 工业机器人故障数据生成方法、系统、终端以及存储介质
CN116399579A (zh) * 2023-06-08 2023-07-07 国网山东省电力公司济南供电公司 变压器机械故障诊断方法、装置、计算机设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109813542A (zh) * 2019-03-15 2019-05-28 中国计量大学 基于生成式对抗网络的空气处理机组的故障诊断方法
CN110567720A (zh) * 2019-08-07 2019-12-13 东北电力大学 非平衡小样本场景下风机轴承故障深度对抗诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109813542A (zh) * 2019-03-15 2019-05-28 中国计量大学 基于生成式对抗网络的空气处理机组的故障诊断方法
CN110567720A (zh) * 2019-08-07 2019-12-13 东北电力大学 非平衡小样本场景下风机轴承故障深度对抗诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘建伟: "生成对抗网络在各领域应用研究进展", 《自动化学报》, vol. 46, no. 12, 25 June 2019 (2019-06-25), pages 2500 - 2536 *
朱智宇: "基于卷积神经网络的机械故障诊断域自适应算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 01, 15 January 2020 (2020-01-15), pages 029 - 296 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112699550A (zh) * 2020-12-28 2021-04-23 山东大学 一种基于迁移学习的切削力神经网络预测模型训练方法
CN112649198A (zh) * 2021-01-05 2021-04-13 西交思创智能科技研究院(西安)有限公司 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用
CN113486925A (zh) * 2021-06-07 2021-10-08 北京鹰瞳科技发展股份有限公司 模型训练方法、眼底图像生成方法、模型评估方法及装置
CN113505876A (zh) * 2021-06-11 2021-10-15 国网浙江省电力有限公司嘉兴供电公司 一种基于生成式对抗网络的高压断路器故障诊断方法
WO2023097774A1 (zh) * 2021-11-30 2023-06-08 深圳先进技术研究院 工业机器人故障数据生成方法、系统、终端以及存储介质
CN116399579A (zh) * 2023-06-08 2023-07-07 国网山东省电力公司济南供电公司 变压器机械故障诊断方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
CN111445147A (zh) 一种用于机械故障诊断的生成式对抗网络模型评估方法
Landecker et al. Interpreting individual classifications of hierarchical networks
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN107784325A (zh) 基于数据驱动增量融合的螺旋式故障诊断模型
Sinha et al. Class-wise difficulty-balanced loss for solving class-imbalance
CN111678696A (zh) 基于联邦学习的机械智能故障诊断方法
CN110414780B (zh) 一种基于生成对抗网络的金融交易数据的欺诈检测方法
CN114358123B (zh) 一种基于深度对抗迁移网络的广义开放集故障诊断方法
CN103366177B (zh) 对象检测分类器生成方法和设备、图像对象检测方法和设备
CN112541532B (zh) 基于密集连接结构的目标检测方法
CN111597651A (zh) 一种基于hwpso-svdd模型的滚动轴承性能退化评估方法
CN109508733A (zh) 一种基于分布概率相似度度量的异常检测方法
CN104408481A (zh) 基于深度小波神经网络的极化sar图像分类方法
CN105740914A (zh) 一种基于近邻多分类器集成的车牌识别方法及系统
Cavanagh et al. The evolution of barred galaxies in the EAGLE simulations
Wang et al. Direct detection of wear conditions by classification of ferrograph images
CN117197591B (zh) 一种基于机器学习的数据分类方法
Zhang et al. Diagnosis of brake friction faults in high-speed trains based on 1DCNN and GraphSAGE under data imbalance
Li et al. Fault diagnosis for rolling bearings of a freight train under limited fault data: Few-shot learning method
Chou et al. SHM data anomaly classification using machine learning strategies: A comparative study
CN104834936A (zh) 一种基于特征有效性分析的轴心轨迹智能识别方法
CN113343123B (zh) 一种生成对抗多关系图网络的训练方法和检测方法
CN108414228B (zh) 基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法
CN112418313B (zh) 一种大数据在线噪声过滤系统与方法
CN113792141A (zh) 基于协方差度量因子的特征选择方法

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