CN111783335B - 一种基于迁移学习的少样本结构频响动力学模型修正方法 - Google Patents

一种基于迁移学习的少样本结构频响动力学模型修正方法 Download PDF

Info

Publication number
CN111783335B
CN111783335B CN202010593297.2A CN202010593297A CN111783335B CN 111783335 B CN111783335 B CN 111783335B CN 202010593297 A CN202010593297 A CN 202010593297A CN 111783335 B CN111783335 B CN 111783335B
Authority
CN
China
Prior art keywords
data
network
training
frequency response
domain data
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
CN202010593297.2A
Other languages
English (en)
Other versions
CN111783335A (zh
Inventor
邓忠民
张鑫杰
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202010593297.2A priority Critical patent/CN111783335B/zh
Publication of CN111783335A publication Critical patent/CN111783335A/zh
Application granted granted Critical
Publication of CN111783335B publication Critical patent/CN111783335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开一种基于迁移学习的少样本结构频响动力学模型修正方法。包括为了提高在少量结构频率响应值数据下的有限元模型修正精度而利用其他领域振动数据作为补充数据，利用领域自适应方法将源域数据和目标域数据映射到相似的特征空间，通过迁移学习的方法实现少量频响数据下的辅助训练。本发明结合迁移学习在少量样本下的特征分析的优势，利用深度卷积神经网络对充足的其他领域振动数据进行特征分析。此外，由于目标域数据和源域数据的特征分布和求解任务并不相同，本发明还采用了领域自适应方法，将深度卷积神经网络提取到的振动特征映射到相似特征空间，缩小了不同领域间的特征差异，最终实现了少量源域数据在特征维度上的样本扩充，提高了模型修正的准确度，防止数据不足导致的过拟合和传统方法简化计算导致的模型修正精度下降。

Description

一种基于迁移学习的少样本结构频响动力学模型修正方法
技术领域
本发明属于结构动频响动力学模型修正领域，涉及少量样本下结构频率响应动力学模型修正与迁移学习理论，具体涉及一种基于迁移学习的少样本结构频响动力学模型修正方法。
背景技术
技术背景：
在动力学模型修正的方法中，基于频响函数的模型修正方法近年来被广泛用于动力学模型修正中[1-3]。本发明以加速度频响函数作为模型修正的依据，对结构动力学模型进行修正。频响模型修正模型修正方法在算法实现的过程中面临的一大挑战是对于样本数据的需求量较大。传统模型修正的方法为了降低大量样本生成需要消耗的计算力，常常采用代理模型的方替代复杂的有限元模型或设计合理的抽样方法来减少样本需求[4-6]。构建代理模型的方法本质上只是缩减了单个样本的计算时间，并没有减少实际参与修正过程的样本数量[7]。并且，在简化的过程中引入了更大的误差，这种误差随着大量样本的不断迭代累加会越来越大。如果不借助简化计算，且数据量过少，则会导致模型修正的精度降低[8]。因此，样本数量问题逐渐成为模型修正中的又一重要瓶颈问题。
利用迁移学习理论，能够实现对于不同领域间的数据进行融合借鉴，常被用于数据量不足时的补充训练[9]。迁移学习是将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中，进而完成或改进目标领域或任务的学习效果。在迁移学习中，数据特征和特征分布组成称为域(Domain)，是学习的主体。其中源域(Source domain)是已有知识的域，目标域(Target domain)是要进行学习的域。任务(Task)是由目标函数和学习结果组成，是迁移学习学习的结果[10-12]，如图1所示。然而，目前在频响模型修正领域内并没有充足的公开数据集合可以用于进行辅助训练，因此需要借助其他领域内的结构振动响应数据进行辅助样本扩充，保障少量频响数据样本下的模型修正。但是当源域和目标域特征空间相似性较弱时，需要找到已有知识和新知识之间的相似性，即源域和目标域之间的相似性[13]。需要对网络和损失函数进行设计来最小化源域和目标域的特征距离来完成知识迁移，从而保证辅助学习结果的准确性。
发明内容
本发明要解决的技术问题为：克服传统方法中对少量样本下模型修正方法的局限性和人工提取特征方法的不足，将其他领域振动数据用于辅助学习，利用深度卷积神经网络和迁移学习原理对源域和目标域的不同振动数据进行特征提取并将其特征映射到相似的特征空间内，从而利用已有的其他领域内的丰富数据，完成少量数据下的补充训练。
本发明解决上述技术问题采用的技术方案为：一种基于迁移学习的少样本结构频响动力学模型修正方法。包括以下步骤，见图2：
步骤1：生成频响模型修正所需要的训练样本和测试样本，由于大量实验消耗的计算力过大，因此该数据一般数量较少。将获得的样本数据进行预处理，将频响数据处理成适合于深度卷积神经网络学习的形式。
步骤2：选择合适的其他领域振动数据作为扩充数据。源域数据需要满足数据量充足、数据较纯净受噪声影响小、特征明显。
步骤3：将步骤2中选好的补充数据进行数据预处理，例如分帧、傅里叶变换、归一化等，将源域数据处理成适合于深度卷积神经网络学习的形式。
步骤4：根据源域和目标域数据进行网络结构设计，由于源域和目标域数据维度、形状、数量、特征等不同，源任务与目标任务也不同，因此需要分别设计独立的网络分支进行特征提取和分析。
步骤5：对用于网络参数更新的损失函数进行设计。根据不同领域数据的特征差异，设计合理的领域自适应损失函数，以减小特征差异。结合源任务损失函数、目标任务损失函数、领域自适应损失函数，设计用于网络参数更新的损失函数。
步骤6：利用步骤1、3中获得的训练样本和4、5中设计的网络结构及损失函数，建立深度神经网络对训练集做模型修正回归学习，步骤7到步骤10为学习过程。
步骤7：目标域网络分支训练。设置初始卷积核，将步骤1中获得的训练样本输入目标域网络分支，完成网络层之间的向前传递，得到目标域中间特征初始目标任务输出值。
步骤8：与步骤7同时，将步骤3中获得的补充训练样本输入源域网络分支，完成网络层之间的向前传递，得到源域中间特征及初始源任务输出值。
步骤9：将步骤7、8的中得到的中间特征带入步骤5中设计的领域自适应损失函数中，将输出值带入源任务损失函数、目标任务损失函数，得到最终的网络输出损失。
步骤10：利用步骤9得到的网络损失，完成网络参数的更新，直至训练结果达到收敛条件。
步骤11：对网络精确度进行验证，若不能满足要求，则返回步骤2。若训练未达到精度要求或网络过拟合说明模型复杂度不够，返回步骤7，加深网络层数和特征图个数，直到达到要求。
步骤12：对网络训练结果进行验证。步骤13到步骤14即为结果验证及调整过程。
步骤13：对实验测量的频响数据进行信息提取，并按照步骤1的方法生成测试样本，并输入步骤10中训练好的网络中，其输出结果即为结构动力学模型修正的结果。
步骤14：将修正后的结果与实验测量进行比较，如果满足精度要求，即保存修正结果，如果不符合精度要求，则返回步骤2重新构建网络。
本发明：一种基于迁移学习的少样本结构频响动力学模型修正方法的优点在于：
(1)本发明对少量频响数据样本进行扩充训练，避免了数据量不足和传统方法中简化计算造成的误差，提高了少量样本下的模型修正精确度。
(2)本发明结合迁移学习理论，利用充足的其他领域振动数据，将其映射到与目标域数据相似的特征空间内，实现了已有知识的辅助训练。
(3)本发明利用深度卷积神经网络实现了特征自动化提取，利用领域自适应方法，学习到了源域和目标域的相似特征，完成了跨域特征学习。
(4)这种方法可对少量样本下的模型修正问题进行高精度求解，解决训练数据不足导致的网络过拟合现象和精度下降问题。
具体实施方式
本发明提供了一种基于迁移学习的少样本结构频响动力学模型修正方法。
本发明算例采用某飞行器结构，其有限元模型见图3，仿真实验结果见图4。本发明数值算例选择了6个待修正参数：主体结构的弹性模量θ1、主体结构的密度θ2、中心筒(central cylinder)的厚度θ3、底板(lower platform)厚度θ4、剪切板(shear panels)厚度θ5以及顶板(upper platform)厚度θ6。，待修正参数及真实值见表1。
步骤1：为进行对比验证分别设置样本数为100-10000，则根据实际工况生成待修正参数初始分布范围，对范围中的每一组参数进行记录。将每组参数输入有限元软件MSCPatran&Nastran中，选取适当的频率求解范围及关键点进行频响分析。在本发明的算例中一共选取了101个关键频点，11个观测点，进行记录，求解各个观察点在x,y方向的结构加速度频响结果。
步骤2：对生成的计算文件中的频响数据进行提取。获得x,y方向的结构频响数据，并按照频点*观测点*方向的格式以多维数值方式进行存储。
步骤3：将源域数据(以CWRU西储大学轴承故障诊断数据集为例)通过分帧，将数据中每2048个数据采样点转化为一帧，进行傅里叶变换，并进行数据归一得到源域训练数据中的网络输入，其对应的故障分类即训练样本的标签值。
步骤4：对目标域样本数量分别从100-10000，将样本容量进行扩充比较，将样本在pytorch深度学习框架下按照发明内容章节的步骤6-14训练深度神经网络。
步骤5：网络分支训练。由于源域与目标域的网络输入形状、维度不同，因此需要设计独立的分支网络。训练网络的形状及其各层卷积核大小、特征图数量、标签个数等网络参数见图4。其中目标域网络层数为12层，源域网络层数为13层，包括卷积层、归一化层及激活层等。其中卷积层实现特征提取，归一化层用于数据归一化，激活层添加网络的非线性。
步骤6：在训练中，为了将源域和目标域数据映射到相似的特征空间内，需要进行领域自适应学习。在经过若干层卷积操作后会完成若干步骤的特征提取，将其中的某些层提取到的特征进行领域差异量化，用于构建领域自适应损失函数。
步骤7：利用基于最大均值差异构建领域自适应损失函数时，为提高运算效率，对损失函数进行简化。
步骤8：目标任务模型修正为回归问题，回归参数为6个，源任务故障诊断为分类问题，故障类别为10种。因此最终得到的损失函数包括多层领域自适应损失函数、回归损失函数及分类损失函数。
步骤9：将训练数量为从100-10000的训练集合分别输入网络，进行网络学习训练。完成训练后，在训练样本之外的测试集上对训练好的网络进行测试。如果出现过拟合，则调整样本数据或修改网络参数直至符合精度要求。
步骤10：将实验测量的频响数据经过预处理后，输入步骤9训练好的各个数量级训练集训练得到的网络，对网络输出结果与待修正参数进行比较，其中训练数据量为4000时各个参数修正值如表1所示。
表1参数修正结果及误差比较
Figure BDA0002556535550000041
步骤11：保存深度神经网络及输出结果。
本发明未详细阐述的部分属于本领域公知技术。
以上所述，仅为本发明部分具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围之内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
附图说明
图1是迁移学习理论示意图
图2是本发明的算法流程图
图3是本发明算例的飞行器结构有限元模型
图4是本发明的深度神经网络结构及其参数设置
参考文献
[1]Lin R M,Zhu J.Model updating of damped structures using FRF data[J].Mechanical Systems and Signal Processing,2006,20(8):2200-2218.
[2]郭勤涛,张令弥,费庆国.结构动力学有限元模型修正的发展——模型确认[J].力学进展,2006,36(1):36-42.
[3]Arora V.Comparative Study of Finite Element Model Updating Methods[J].Journal of Vibration&Control,2011,17(17):2023-2039.
[4]李伟明,洪嘉振.基于频响函数的模型修正方法[J].上海交通大学学报,2011,45(10):1455-1459..
[5]Yang X,Guo X,Ouyang H,et al.A new frequency matching technique forFRF-based model updating[C]//2017:012013.
[6]Wang J T,Wang C J,Zhao J P.Frequency response function-based modelupdating using Kriging model[J].Mechanical Systems&Signal Processing,2017,87:218-228.
[7]曹诗泽.频率响应函数驱动的结构有限元模型修正贝叶斯算法及实验研究[D].合肥工业大学,2018.
[8]谢丙旭.基于频响函数的有限元模型修正问题研究[D].2019.
[9]Smola A,Gretton A,Song L,et al.A Hilbert Space Embedding forDistributions[J].2007.
[10]Zhang R,Tao H,Wu L,et al.Transfer learning with neural networksfor bearing fault diagnosis in changing working conditions[J].IEEE Access,2017,5:14347-14357.
[11]Shen F,Chen C,Yan R,et al.Bearing fault diagnosis based on SVDfeature extraction and transfer learning classification[C]//2015Prognosticsand System Health Management Conference(PHM).IEEE,2015:1-6.
[12]Shao S,McAleer S,Yan R,et al.Highly accurate machine faultdiagnosis using deep transfer learning[J].IEEE Transactions on IndustrialInformatics,2018,15(4):2446-2455.
[13]Yang B,Lei Y,Jia F,et al.An intelligent fault diagnosis approachbased on transfer learning from laboratory bearings to locomotive bearings[J].Mechanical Systems and Signal Processing,2019,122:692-706.

Claims (1)

1.一种基于迁移学习的少样本结构频响动力学模型修正方法，其包括以下步骤：
1)利用其他领域的振动数据进行频响数据的样本扩充；根据迁移学习理论，利用其他领域的振动数据作为源域数据，利用深度学习网络提取源域数据与目标域数据的共同振动特征实现模型修正样本不足时的辅助训练，提高少量样本下的目标任务的效率和准确度；所述目标域数据为用于模型修正的频响数据；
2)对源域数据和目标域数据的适配性处理；由于源域数据和目标域数据维度数量不同，需要对源域数据进行适配性处理，才能够作为深度卷积神经网络的输入，进行特征分析和提取；根据源域数据的数据维度及数量进行分帧、傅里叶变换预处理工作，使得处理后的数据能够在形状维度上相匹配；
3)异构迁移学习网络的搭建；除了维度和形状外，跨域迁移学习的过程中源域数据和目标域数据在特征空间上存在一定的分布差异，且二者的求解任务类型也不相同；因此需要通过对网格参数及结构进行设计，分别对不同任务进行特征提取层和输出层设计，构建适用于源域和目标域数据的网络分支；
4)跨域数据的领域自适应学习方法；在网络的不同层之中对不同领域数据提取到的特征差异进行量化，通过最小化领域特征差异，实现领域自适应，将二者的特征映射到相同的特征空间内，从而使得网络能够学习到相似特征，实现训练样本的扩充，从实质上解决数据量不足带来的模型修正精度损失问题；
其特征在于：
步骤1：生成频响模型修正所需要的训练样本和测试样本；
在步骤1中，应用的是对飞行器主体结构的弹性模量、主体结构的密度、中心筒的厚度、底板厚度、剪切板厚度以及顶板厚度的结构参数进行修正；
对生成的计算文件中的频响数据进行提取；获得x,y方向的结构频响数据，并按照频点*观测点*方向的格式以多维数值方式进行存储；
步骤2：选择合适的其他领域振动数据作为扩充数据；源域数据需要满足数据量充足、数据较纯净受噪声影响小、特征明显；
在步骤2中，源域数据选用轴承故障诊断数据集；
步骤3：将步骤2中选好的补充数据进行数据预处理；将源域数据处理成适合于深度卷积神经网络学习的形式；
步骤4：根据源域和目标域数据进行网络结构设计，分别设计独立的网络分支进行特征提取和分析；
在步骤4中，目标域网络层数为12层，源域网络层数为13层，包括卷积层、归一化层及激活层；
其中卷积层实现特征提取，归一化层用于数据归一化，激活层添加网络的非线性；
步骤5：对用于网络参数更新的损失函数进行设计；根据不同领域数据的特征差异，设计合理的领域自适应损失函数，以减小特征差异；结合源任务损失函数、目标任务损失函数、领域自适应损失函数，设计用于网络参数更新的损失函数；
在步骤5中，利用基于最大均值差异构建飞行器主体结构的自适应损失函数；
步骤6：利用步骤1、3中获得的训练样本和4、5中设计的网络结构及损失函数，建立深度神经网络对训练集做模型修正回归学习，步骤7到步骤10为学习过程；
步骤7：目标域网络分支训练；设置初始卷积核，将步骤1中获得的训练样本输入目标域网络分支，完成网络层之间的向前传递，得到目标域中间特征初始目标任务输出值；
步骤8：与步骤7同时，将步骤3中获得的补充训练样本输入源域网络分支，完成网络层之间的向前传递，得到源域中间特征及初始源任务输出值；
步骤9：将步骤7、8的中得到的中间特征带入步骤5中设计的领域自适应损失函数中，将输出值带入源任务损失函数、目标任务损失函数，得到最终的网络输出损失；
步骤10：利用步骤9得到的网络损失，完成网络参数的更新，直至训练结果达到收敛条件；
步骤11：对网络精确度进行验证，若不能满足要求，则返回步骤2；若训练未达到精度要求或网络过拟合说明模型复杂度不够，返回步骤7；
步骤12：对网络训练结果进行验证；
在步骤12中，目标任务模型修正为回归问题，回归参数为6个，即飞行器主体结构的弹性模量、主体结构的密度、中心筒的厚度、底板厚度、剪切板厚度以及顶板厚度；源任务故障诊断为分类问题，故障类别为10种；
步骤13：对实验测量的频响数据进行信息提取，并按照步骤1的方法生成测试样本，并输入步骤10中训练好的网络中，其输出结果即为结构动力学模型修正的结果；
步骤14：将修正后的结果与实验测量进行比较，如果满足精度要求，即保存修正结果，如果不符合精度要求，则返回步骤2重新构建网络；
在步骤14中，将训练数量为从100-10000的训练集合分别输入网络，进行网络学习训练；完成训练后，在训练样本之外的测试集上对训练好的网络进行测试；如果出现过拟合，则调整样本数据或修改网络参数直至符合精度要求。
CN202010593297.2A 2020-06-26 2020-06-26 一种基于迁移学习的少样本结构频响动力学模型修正方法 Active CN111783335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010593297.2A CN111783335B (zh) 2020-06-26 2020-06-26 一种基于迁移学习的少样本结构频响动力学模型修正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010593297.2A CN111783335B (zh) 2020-06-26 2020-06-26 一种基于迁移学习的少样本结构频响动力学模型修正方法

Publications (2)

Publication Number Publication Date
CN111783335A CN111783335A (zh) 2020-10-16
CN111783335B true CN111783335B (zh) 2023-02-17

Family

ID=72761106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010593297.2A Active CN111783335B (zh) 2020-06-26 2020-06-26 一种基于迁移学习的少样本结构频响动力学模型修正方法

Country Status (1)

Country Link
CN (1) CN111783335B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113341890A (zh) * 2021-04-30 2021-09-03 合肥工业大学 面向自适应调度与无人生产线协同的智能诊断方法和系统
CN113128783A (zh) * 2021-05-06 2021-07-16 大连理工大学 一种基于图迁移学习的交通预测方法
CN117933102B (zh) * 2024-03-22 2024-06-14 华侨大学 基于mktl的多点频域振动响应预测方法、装置、设备及介质
CN118520599B (zh) * 2024-07-24 2024-09-20 中国人民解放军军事科学院战争研究院 基于域适应迁移学习的旋翼无人机机动仿真模型生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959794A (zh) * 2018-07-13 2018-12-07 北京航空航天大学 一种基于深度学习的结构频响动力学模型修正方法
CN109766921A (zh) * 2018-12-19 2019-05-17 合肥工业大学 一种基于深度领域自适应的振动数据故障分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8825149B2 (en) * 2006-05-11 2014-09-02 Northwestern University Systems and methods for measuring complex auditory brainstem response

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108959794A (zh) * 2018-07-13 2018-12-07 北京航空航天大学 一种基于深度学习的结构频响动力学模型修正方法
CN109766921A (zh) * 2018-12-19 2019-05-17 合肥工业大学 一种基于深度领域自适应的振动数据故障分类方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Pose-dependent tool tip dynamics prediction using transfer learning;CHEN Gengxiang;《International Journal of Machine Tools and Manufacture》;20190228;第137卷;全文 *
基于频响函数截断奇异值响应面的有限元模型修正;张勇等;《振动工程学报》;20170615(第03期);全文 *
基于频响函数的结构状态识别神经网络方法;方剑青等;《振动、测试与诊断》;20070330(第01期);全文 *
复杂链式结构动力分析中的直接迁移子结构方法;白长青等;《计算力学学报》;20031030(第05期);全文 *

Also Published As

Publication number Publication date
CN111783335A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN111783335B (zh) 一种基于迁移学习的少样本结构频响动力学模型修正方法
CN108959794B (zh) 一种基于深度学习的结构频响动力学模型修正方法
CN112084974B (zh) 一种基于元学习的多标签滚动轴承故障诊断方法
JP2020126601A (ja) 不良検知方法および不良検知装置
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN109815855B (zh) 一种基于机器学习的电子设备自动测试方法及系统
CN112082639A (zh) 发动机状态的诊断方法及其诊断建模方法
CN114239404A (zh) 一种基于多目标优化的材料智能优化设计方法
CN117009916A (zh) 基于多传感器信息融合与迁移学习的促动器故障诊断方法
CN111783336B (zh) 一种基于深度学习理论的不确定性结构频响动力学模型修正方法
CN109146055A (zh) 基于正交化实验和人工神经网络的改进粒子群优化方法
CN117217020A (zh) 一种基于数字孪生的工业模型构建方法及系统
CN115165366A (zh) 一种旋转机械变工况故障诊断方法及系统
CN113869451A (zh) 一种基于改进jgsa算法的变工况下滚动轴承故障诊断方法
CN110807497A (zh) 基于深度动态网络的手写体数据分类方法及系统
CN114295967A (zh) 一种基于迁移神经网络的模拟电路故障诊断方法
CN111063000B (zh) 基于神经网络结构搜索的磁共振快速成像方法和装置
CN110320802B (zh) 基于数据可视化的复杂系统信号时序识别方法
CN109934248B (zh) 一种针对迁移学习的多模型随机生成与动态自适应组合方法
CN116956124A (zh) 一种基于改进cnn实现三相整流器件故障诊断的方法
Zhou et al. An Interpretable Parallel Spatial CNN-LSTM Architecture for Fault Diagnosis in Rotating Machinery
CN110631827B (zh) 一种基于改进协同表示分类的齿轮箱故障诊断方法
CN113962256A (zh) 一种用于机电作动器智能故障诊断方法及系统
CN113835964A (zh) 基于小样本学习的云数据中心服务器能耗预测方法
CN112579670A (zh) 一种精细油藏分布的勘察数据分析方法及系统

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