CN112149350A - 解决热泵系统故障诊断中数据依赖问题的模型迁移方法 - Google Patents
解决热泵系统故障诊断中数据依赖问题的模型迁移方法 Download PDFInfo
- Publication number
- CN112149350A CN112149350A CN202010995640.6A CN202010995640A CN112149350A CN 112149350 A CN112149350 A CN 112149350A CN 202010995640 A CN202010995640 A CN 202010995640A CN 112149350 A CN112149350 A CN 112149350A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- training
- migration
- domain
- 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
- 238000013508 migration Methods 0.000 title claims abstract description 75
- 230000005012 migration Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 62
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 28
- 238000012512 characterization method Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000004378 air conditioning Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000005057 refrigeration Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000004257 Cordia myxa Nutrition 0.000 description 1
- 244000157795 Cordia myxa Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- G06F30/27—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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
解决热泵系统故障诊断中数据依赖问题的模型迁移方法,属于制冷空调系统运维技术领域。它包括以下步骤:步骤一、源域与目标域数据准备;步骤二、迁移模型准备及模型独立训练;步骤三、联合优化;步骤四、模型嫁接及自适应层微调;步骤五、分类器训练;步骤六、故障诊断精度验证。本发明通过采用一种模型迁移方法实现知识共享,利用实验环境获取的仿真数据进行机器学习,并将学习到的知识迁移到目标系统上,最终实现目标系统的故障诊断。整个学习过程不需要目标系统的任何标记数据,只需要少量无标记的运行数据,而无标记运行数据的获取通常十分方便,不会造成额外成本增加。
Description
技术领域
本发明属于制冷空调系统运维技术领域,具体涉及解决热泵系统故障诊断中数据依赖问题的模型迁移方法。
背景技术
伴随着世界科技与经济的高速发展,能源消耗量日益增长,资源匮乏与碳排放过度等问题逐渐突显。世界各国纷纷制定自己的节能策略,我国也将节能减排作为一项国家重大战略。热泵系统作为建筑能耗的重要组成部分,占社会总能耗20%以上,因此,热泵系统节能研究具有重要意义,是实现节能减排国家战略的重要组成。
热泵系统长期运行会产生各类故障,导致大量额外能耗,是热泵节能的研究重点。随着人工智能、深度学习等技术的快速发展,大量基于数据驱动的热泵系统故障诊断技术出现,大幅提高了故障识别精度,成为了最主流的故障诊断方案。然而,数据驱动技术往往需要大量标记数据用于监督训练,这类数据在实际中极难获取且需消耗大量成本。因此,数据依赖问题已成为制约热泵系统智能诊断技术的瓶颈问题。
发明内容
针对现有技术中存在的上述问题,本发明的目的在于提供一种模型迁移方法实现知识共享,利用实验环境获取的仿真数据进行机器学习,并将学习到的知识迁移到目标系统上,最终实现目标系统的故障诊断。
本发明提供如下技术方案:解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于包括以下步骤:
步骤一、源域与目标域数据准备:获取源域数据集及目标域数据集,用于深度迁移模型的训练,所述源域数据集需要故障标记,目标域数据集不需要故障标记;
步骤二、迁移模型准备及模型独立训练:分别利用获取的源域数据集和目标域数据集对迁移模型进行无监督训练,所述迁移模型结构包括自适应输入层、表征器、自适应输出层;
步骤三、联合优化:将步骤二中独立训练完毕的源域迁移模型和目标域迁移模型载入,进行联合训练,使得两模型的表征向量分布接近,实现特征域对齐;
步骤四、模型嫁接及自适应层微调,包括以下步骤:
401、模型嫁接:将目标域迁移模型的自适应层嫁接到源域迁移模型的表征器上,实现跨域组合模型,并利用原始的源域迁移模型作为训练辅助模型;
402、自适应层微调:将源域自适应层和源域的表征器参数冻结,不做训练,利用目标域数据训练组合模型,微调目标域自适应层的输入输出层。
步骤五、分类器训练:载入源域自适应输入层以及源域表征器,利用带标记的源域数据训练分类器,使得分类器有能力在源域特征向量上诊断出各类故障;
步骤六、故障诊断精度验证:载入目标域自适应输入层及源域表征器组合成最终的迁移模型,将目标系统的运行数据输入该迁移模型,获得表征向量,将表征向量输入分类器,即可获得故障诊断结果。
所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述步骤一中,所述源域数据集及目标域数据集均使用(data/μ)/σ进行归一化处理。
所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述步骤三中联合优化训练过程采用最大平均距离MMD作为两模型表征向量距离的计算工具,将两表征向量的MMD值LMMD作为训练损失之一,其完整训练损失为:L=Ly_pre-y_true+LMMD。
所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述步骤4.2,利用目标域数据训练组合模型过程中,其完整训练损失为:L=Ly_pre-y_true+LMMD。
所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述步骤四中,训练组合模型的过程在保持表征向量分布接近的条件下,强制调节自适应层,使得目标域网络参数逐渐适应源域表征器的需求。
所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述迁移模型采用循环神经网络的变体GRU作为骨干网络,分为自适应层和表征器两部分,通过更改迁移模型自适应层的神经单元数量,实现异构数据的迁移。
所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述表征器采用序列到序列的模型结构,以自编码器为基本原理,通过编码解码结构,将训练数据编码到固定长度的表征向量上。
所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述步骤二中,迁移模型的输入、输出均为热泵系统运行参数,不需要目标域提供标记数据,实现无监督域对齐。
通过采用上述技术,与现有技术相比,本发明的有益效果如下:
1)本发明不需要目标域的标记数据,只需要分布无标记运行数据,且可以通过仿真故障,获得各类源域的标记数据,解决了传统监督学习对目标域标记数据的依赖;
2)本发明使用基于循环神经网络GRU单元的自适应层,用于解决现有迁移方法要求源域和目标域参数一致的问题,实现不同测量参数、不同传感器数量的系统间模型迁移;
3)本发明利用序列到序列模型的基本结构,实现模型无监督训练,使得数据利用效率更高,且完全消除了对目标域标记数据的依赖;
4)本发明两次使用最大平均差异MMD值作为模型优化的误差项,使得源域模型和目标域模型特征向量分布更接近,便于分类器共享;
5)本发明利用GRU单元作为骨干网络,使得迁移模型更好地适用于时序数据,大大提高热泵系统建模精度。
附图说明
图1为本发明的迁移模型结构示意图;
图2为本发明的迁移学习联合训练示意图;
图3为本发明的跨域组合模型微调方式示意图;
图4为本发明的模型迁移训练策略流程图。
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,以下结合说明书附图及实施例,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。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
参阅图1-4所示,解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其热泵系统故障诊断实验系统为小型风冷式热泵系统,压缩机、工质等均可变更,为验证迁移模型的迁移效果,共采集三组数据集,三组数据集详细情况见表1,利用三组数据集互为源域,验证迁移模型在自身数据集上的诊断效果。
参考图4,所述模型迁移方法的具体步骤如下:
步骤101)源域数据准备:三组采集到的数据集,参数数量和故障种类各不相同,测试的环境温度也不尽相同,随机选择一组数据集作为源域数据,源域数据需要包含各类故障数据,且故障数据必须带有标签,用于监督训练分类器;数据集使用(data/μ)/σ进行归一化处理。
步骤102)目标域数据准备:从排除源域数据集的另外两组数据集选择一组作为目标域数据集,目标域数据集无需包含标签,只需其中一定数量的运行数据;数据集使用(data/μ)/σ进行归一化处理。
步骤201)迁移模型准备:利用python3.6+Tensorflow2.2开发环境搭建迁移模型,模型结构如图1所示,包括自适应输入层、表征器、自适应输出层。
迁移模型骨干网络使用循环神经网络的变体GRU单元,GRU单元适用于时序数列的处理,具有记忆功能,适用于热泵系统运行数据建模。迁移模型中通过更改自适应层的输入参数数量,实现异构数据的迁移。表征器采用序列到序列的模型结构,以自编码器为基本原理,通过编码解码结构,将训练数据编码到固定长度的表征向量上。迁移模型的输入和输出接口分别在自适应层的输入层和输出层上,通常输入和输出的训练参数相同,实现自编码。
步骤202)迁移模型独立训练:利用无标签的源域数据和目标域数据分别训练各自的迁移模型,训练方式为无监督学习。本实验中,使用源域和目标域各7500组样本作为训练样本,2500组样本作为验证样本。训练轮数为300轮、batch_size为64、优化器为Adam、模型各层激活函数使用selu。
步骤3)联合优化:按照图2所示方式进行联合训练。首先将独立训练完毕的源域迁移模型和目标域迁移模型载入。分别选5000组源域数据样本和5000组目标域数据样本作为训练数据。训练过程利用最大平均距离(MMD)作为两模型表征向量距离的计算工具。将两表征向量的MMD值,LMMD作为训练损失之一。完整训练损失为:L=Ly_pre-y_true+LMMD。通过联合训练,使得两模型的表征向量分布接近。
步骤401)模型嫁接:将目标域自适应输入层、源域表征器、目标域自适应输出层嫁接在一起,组成组合模型。并将源域自适应输入层和源域表征器组合在一起作为辅助模型。
步骤402)自适应层微调:将源域自适应层和源域的表征器参数冻结,不做训练,利用目标域数据训练组合模型,微调目标域自适应层的输入输出层。在训练过程做,同样使用损失L=Ly_pre-y_true+LMMD。这一过程在保持表征向量分布接近的条件下,强制调节自适应层,使得目标域网络参数逐渐适应源域表征器的需求。最终在源域表征器的表征条件下,实现参数自编码。训练数据集选择5000组目标域数据样本,训练轮数为200轮、batch_size为64。
步骤50)分类器训练:首先载入源域自适应输入层以及源域表征器,利用带标记的源域数据训练分类器。分类器的输入为表征器的表征向量,采用softmax激活函数,获得故障分类的one-hot编码向量。
步骤60)故障诊断精度验证:载入目标域自适应输入层及源域表征器组合成最终的迁移模型。将目标系统的运行数据输入迁移模型,获得表征向量,将向量输入分类器,获得故障诊断结果。由于该表征向量的分布与源域迁移模型的表征向量分布相似,因此可以实现故障诊断。
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 (8)
1.解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于包括以下步骤:
步骤一、源域与目标域数据准备:获取源域数据集及目标域数据集,用于深度迁移模型的训练,所述源域数据集需要故障标记,目标域数据集不需要故障标记;
步骤二、迁移模型准备及模型独立训练:分别利用获取的源域数据集和目标域数据集对迁移模型进行无监督训练,所述迁移模型结构包括自适应输入层、表征器、自适应输出层;
步骤三、联合优化:将步骤二中独立训练完毕的源域迁移模型和目标域迁移模型载入,进行联合训练,使得两模型的表征向量分布接近,实现特征域对齐;
步骤四、模型嫁接及自适应层微调,包括以下步骤:
401、模型嫁接:将目标域迁移模型的自适应层嫁接到源域迁移模型的表征器上,实现跨域组合模型,并利用原始的源域迁移模型作为训练辅助模型;
402、自适应层微调:将源域自适应层和源域的表征器参数冻结,不做训练,利用目标域数据训练组合模型,微调目标域自适应层的输入输出层。
步骤五、分类器训练:载入源域自适应输入层以及源域表征器,利用带标记的源域数据训练分类器,使得分类器有能力在源域特征向量上诊断出各类故障;
步骤六、故障诊断精度验证:载入目标域自适应输入层及源域表征器组合成最终的迁移模型,将目标系统的运行数据输入该迁移模型,获得表征向量,将表征向量输入分类器,即可获得故障诊断结果。
2.根据权利要求1所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述步骤一中,所述源域数据集及目标域数据集均使用(data/μ)/σ进行归一化处理。
3.根据权利要求1所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述步骤三中联合优化训练过程采用最大平均距离MMD作为两模型表征向量距离的计算工具,将两表征向量的MMD值LMMD作为训练损失之一,其完整训练损失为:L=Ly_pre-y_true+LMMD。
4.根据权利要求3所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述步骤4.2,利用目标域数据训练组合模型过程中,其完整训练损失为:L=Ly_pre-y_true+LMMD。
5.根据权利要求4所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述步骤四中,训练组合模型的过程在保持表征向量分布接近的条件下,强制调节自适应层,使得目标域网络参数逐渐适应源域表征器的需求。
6.根据权利要求1所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述迁移模型采用循环神经网络的变体GRU作为骨干网络,分为自适应层和表征器两部分,通过更改迁移模型自适应层的神经单元数量,实现异构数据的迁移。
7.根据权利要求1所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述表征器采用序列到序列的模型结构,以自编码器为基本原理,通过编码解码结构,将训练数据编码到固定长度的表征向量上。
8.根据权利要求7所述的解决热泵系统故障诊断中数据依赖问题的模型迁移方法,其特征在于所述步骤二中,迁移模型的输入、输出均为热泵系统运行参数,不需要目标域提供标记数据,实现无监督域对齐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995640.6A CN112149350B (zh) | 2020-09-21 | 2020-09-21 | 解决热泵系统故障诊断中数据依赖问题的模型迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995640.6A CN112149350B (zh) | 2020-09-21 | 2020-09-21 | 解决热泵系统故障诊断中数据依赖问题的模型迁移方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149350A true CN112149350A (zh) | 2020-12-29 |
CN112149350B CN112149350B (zh) | 2024-04-26 |
Family
ID=73894099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010995640.6A Active CN112149350B (zh) | 2020-09-21 | 2020-09-21 | 解决热泵系统故障诊断中数据依赖问题的模型迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149350B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733943A (zh) * | 2021-01-13 | 2021-04-30 | 浙江工业大学 | 一种基于数据混剪技术的热泵故障诊断模型迁移方法 |
CN112990340A (zh) * | 2021-04-02 | 2021-06-18 | 东南大学 | 一种基于特征共享的自学习迁移方法 |
CN113822359A (zh) * | 2021-09-23 | 2021-12-21 | 浙江工业大学 | 基于残差数据缩放策略的热泵系统自适应故障诊断方法 |
CN114580459A (zh) * | 2022-01-10 | 2022-06-03 | 芜湖商高大数据技术有限公司 | 基于迁移学习理论快速获取轴承故障诊断模型的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108548671A (zh) * | 2018-03-12 | 2018-09-18 | 南京航空航天大学 | 一种基于自动编码器的轴系转速大波动的故障诊断方法 |
CN109213127A (zh) * | 2018-09-25 | 2019-01-15 | 浙江工业大学 | 一种基于深度学习的hvac系统渐变故障诊断方法 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
-
2020
- 2020-09-21 CN CN202010995640.6A patent/CN112149350B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108548671A (zh) * | 2018-03-12 | 2018-09-18 | 南京航空航天大学 | 一种基于自动编码器的轴系转速大波动的故障诊断方法 |
CN110619342A (zh) * | 2018-06-20 | 2019-12-27 | 鲁东大学 | 一种基于深度迁移学习的旋转机械故障诊断方法 |
CN109213127A (zh) * | 2018-09-25 | 2019-01-15 | 浙江工业大学 | 一种基于深度学习的hvac系统渐变故障诊断方法 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
金余丰;刘晓锋;姚美常;黄凤良;: "基于域对抗迁移的变工况滚动轴承故障诊断模型", 自动化仪表, no. 12 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733943A (zh) * | 2021-01-13 | 2021-04-30 | 浙江工业大学 | 一种基于数据混剪技术的热泵故障诊断模型迁移方法 |
CN112733943B (zh) * | 2021-01-13 | 2024-03-22 | 浙江工业大学 | 一种基于数据混剪技术的热泵故障诊断模型迁移方法 |
CN112990340A (zh) * | 2021-04-02 | 2021-06-18 | 东南大学 | 一种基于特征共享的自学习迁移方法 |
CN112990340B (zh) * | 2021-04-02 | 2024-03-26 | 东南大学 | 一种基于特征共享的自学习迁移方法 |
CN113822359A (zh) * | 2021-09-23 | 2021-12-21 | 浙江工业大学 | 基于残差数据缩放策略的热泵系统自适应故障诊断方法 |
CN113822359B (zh) * | 2021-09-23 | 2024-02-02 | 浙江工业大学 | 基于残差数据缩放策略的热泵系统自适应故障诊断方法 |
CN114580459A (zh) * | 2022-01-10 | 2022-06-03 | 芜湖商高大数据技术有限公司 | 基于迁移学习理论快速获取轴承故障诊断模型的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112149350B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149350A (zh) | 解决热泵系统故障诊断中数据依赖问题的模型迁移方法 | |
CN113128113B (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
CN108510006A (zh) | 一种基于数据挖掘的企业用电量分析与预测方法 | |
CN108961468B (zh) | 一种基于集成学习的船舶动力系统故障诊断方法 | |
CN111931814B (zh) | 一种基于类内结构紧致约束的无监督对抗域适应方法 | |
CN109063291B (zh) | 机电装备冷却通道结构智能化拓扑优化设计方法 | |
CN112699247A (zh) | 一种基于多类交叉熵对比补全编码的知识表示学习框架 | |
Chu et al. | Method of image segmentation based on fuzzy C-means clustering algorithm and artificial fish swarm algorithm | |
CN111008639B (zh) | 一种基于注意力机制的车牌字符识别方法 | |
CN108960586B (zh) | 一种适应场景变化的非入侵式负荷识别方法 | |
CN112180280A (zh) | 一种考虑电池健康状态的混合动力汽车电池寿命优化方法 | |
CN114007228B (zh) | 基于异构图神经网络流量预测的基站智能控制方法 | |
CN108394429B (zh) | 一种为城轨列车群生成自动驾驶曲线的方法 | |
CN116452862A (zh) | 基于领域泛化学习的图像分类方法 | |
CN110033126A (zh) | 基于注意力机制与逻辑回归的长短期记忆网络预测方法 | |
CN112465184A (zh) | 一种少样本生成式对抗学习网络的云储能系统控制方法 | |
CN116070853A (zh) | 一种供热系统事故工况下的自主应急调度方法及系统 | |
CN114168782B (zh) | 一种基于三元组网络的深度哈希图像检索方法 | |
CN116431281A (zh) | 一种基于鲸鱼优化算法的虚拟机迁移方法 | |
CN114943277A (zh) | 一种综合能源系统运行工况识别与运行性能预测方法 | |
CN115473306A (zh) | 一种基于智能算法的混合储能系统再利用调控方法 | |
CN109359671A (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN112149726B (zh) | 基于知识共享和模型迁移的全封闭压缩机故障诊断方法 | |
Lin et al. | Optimizing for Large Time Delay Systems by BP Neural Network and Evolutionary Algorithm Improving. | |
CN116562145A (zh) | 一种热泵实验循环性能系数预测模型的建立方法 |
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 |