CN112287813B - 一种基于深度信念网络的铁谱图像智能识别方法 - Google Patents
一种基于深度信念网络的铁谱图像智能识别方法 Download PDFInfo
- Publication number
- CN112287813B CN112287813B CN202011169535.3A CN202011169535A CN112287813B CN 112287813 B CN112287813 B CN 112287813B CN 202011169535 A CN202011169535 A CN 202011169535A CN 112287813 B CN112287813 B CN 112287813B
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- ferrographic
- model
- training
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度信念网络的铁谱图像智能识别方法,该方法将深度学习与铁谱技术相结合,首先利用铁谱技术制备出铁谱图像,并对图像进行预处理,然后利用铁谱图像数据集训练深度信念网络模型,使其学习铁谱图像中的特征,完成铁谱图像智能识别,诊断出设备故障类别,降低设备故障率。
Description
技术领域
本发明涉及机械故障诊断领域,特别是涉及机械磨损诊断方向,具体涉及一种基于深度信念网络的铁谱图像智能识别方法。
背景技术
随着近几年计算机科学技术的蓬勃发展以及设备自动化程度的进一步提高,在科技水平不断提升的推动下,制造业得到快速发展,这使得现代设备逐渐呈现出精密化、自动化和智能化的态势,而且各设备的组成元素和控制系统的规模日益扩大。随着机械设备的不断更新换代,设备本身的结构和机理变得越来越复杂,参数和结构变得越来越不确定以及它们之间具有严重的强耦合性。与此同时,设备的工作环境与要求也变得越来越复杂,这使得设备发生故障的可能性也越来越大。这些变化使得这些设备的故障通常表现为复杂性、不确定性、层次性、相关性等特点,常见的故障有破坏性故障和非破坏性故障、系统故障和偶然性故障、诊断指标故障和无指标故障等,而且一旦设备中某个部分发生故障,就会产生连锁反应,导致整个设备损坏,甚至整个生产过程不能正常运行,从而造成巨大的损失以及人员伤亡。因此,人们不得不重视对各类现代化设备的监测与故障诊断,不断提高故障诊断水平,从而提高现代机械设备的利用率,同时降低维修设备的成本和能源消耗。
机械设备中的机械传动装置在长期运行过程中,受到润滑油、负载变化等因素的影响,经常会出现磨损现象。磨损原因主要有传动副表面粗糙度和硬度不匹配、润滑油粘度过低、负载加重和循环次数增加等。据统计,齿轮传动系统失效引起的机械设备故障占总故障比例约80%,其中磨损占比约40%。一旦发生磨损故障,不仅会加剧整个系统的振动和噪声,还会降低传动系统的精度和效率,甚至引发断齿等严重的机械事故。机械磨损检测技术发展已有很长的历史,主要有放射性检测、磨粒分析、振动检测、光学检测、电学检测、声学检测、压痕方法等,而磨粒分析中的铁谱分析技术应用广泛,是机械设备磨损状态检测的重要手段。此外,深度学习的兴起为混合智能故障诊断技术提供了新的方法思路,近年来涌现出许多新模型与训练方法,能有效地解决越来越多具有挑战性的问题,在图像处理、医学分析、自然语言处理等诸多领域取得了突破性进展,但对于铁谱技术的研究,目前更多的是以如何处理铁谱图像为主,缺少后续的智能化诊断方法。
基于深度信念网络的诊断方法在处理机械设备振动信号、电信号等方面已经取得了较大的成功,但是,未曾见将深度信念网络模型应用到铁谱技术的故障诊断方面的研究,更多的是对于如何处理铁谱图像研究与方法的提出。对比传统的铁谱分析技术,深度信念网络需要大量的铁谱图像样本训练才能保证良好的识别效果,而铁谱图像的制备过程十分严谨与复杂,很难在短时间内得到大量合格的铁谱图像训练样本。
发明内容
本发明的目的在于提供一种基于深度信念网络的铁谱图像智能识别方法,以解决现有技术存在的问题,本发明将深度学习与铁谱技术相结合,利用深度信念网络模型自动学习铁谱图像中深层次特征,并加以识别,从而实现故障智能识别。
为达到上述目的,本发明采用如下技术方案:
一种基于深度信念网络的铁谱图像智能识别方法,包括以下步骤;
1)利用铁谱技术采集磨粒铁谱图像数据集,并按照类别对每一张铁谱图像进行标记和处理,得到带标签的铁谱图像数据集,并分为训练集和测试集;
2)利用不带标签的铁谱图像数据集预训练多个受限玻尔兹曼机,将受限玻尔兹曼机预训练完毕的各神经元参数用于初始化深度信念网络模型中对应神经元参数,最后一层受限玻尔兹曼机的隐含层提取的特征向量即为训练样本的深层特征,其中神经元参数包括权重和偏置;
3)利用步骤1)中得到的带标签铁谱图像训练集微调深度信念网络模型,确定模型最佳分类参数,进而确定最终模型参数;
4)采集未知状态的设备润滑油液,利用铁谱技术制备铁谱图像,利用训练完毕的深度信念网络模型对其进行故障分类,完成铁谱图像智能识别。
进一步地,步骤1)中采集铁谱图像后,对其进行背景色处理,然后使用数据增强方法,对采集的铁谱图像进行扩充,完成铁谱图像数据集的制备。
进一步地,步骤2)中预训练具体包括:
2.1)搭建3个受限玻尔兹曼机模型,将每一个受限玻尔兹曼机串联起来,即上一个受限玻尔兹曼机的输出层作为下一个受限玻尔兹曼机的输入层;
2.2)利用铁谱图像数据集对搭建的3个受限玻尔兹曼机模型进行训练,通过不断减小重构误差来优化神经元的权重与偏置,达到逐层获取深层次铁谱图像特征的目的。
进一步地,步骤2.2)具体为:
受限玻尔兹曼机模型中参数权重w、可见层偏置b和隐含层偏置c给定,并且可见层v和隐含层h的状态给定时,模型的能量即为:
式中:v与h分别表示可见层与隐含层神经元,nv与nh分别表示可见层与隐含层神经元数目;为可见层所有神经元、隐含层所有神经元和对应连接权重所有乘积之和;为可见层所有神经元与对应偏置所有乘积之和;/>为隐含层所有神经元与对应偏置所有乘积之和;
基于模型能量函数,得到受限玻尔兹曼机模型的概率分布:
进一步得到隐含层和可见层神经元被激活的概率分别为:
受限玻尔兹曼机模型的训练目标是不断学习模型中各个参数,使受限玻尔兹曼机所表示的边缘概率分布P(v)尽可能接近训练数据所表示的分布,即最大化似然函数:
式中:θ为训练目标参数,包含参数权重w、可见层偏置b和隐含层偏置c;v(i)为第i个样本数据;m为训练样本数量;
利用对数函数的严格单调性,将受限玻尔兹曼机模型的目标函数修正为:
对上式进行偏导数计算得到:
利用上述原理,将铁谱图像作为可见层v输入,首先训练第一个受限玻尔兹曼机,将训练完毕的第一个受限玻尔兹曼机隐含层作为第二个受限玻尔兹曼机可见层输入,进而训练第二个受限玻尔兹曼机,依次训练每个受限玻尔兹曼机,从而提取铁谱图像中深层次特征。
进一步地,步骤3)中微调具体包括:
3.1)利用步骤2)中预训练完毕的3个受限玻尔兹曼机模型参数初始化深度信念网络模型,并在网络模型末端加入一个Softmax分类层用于分类;
3.2)利用步骤1)中得到的带标签的铁谱图像训练集对初始化后的深度信念网络模型进行微调训练,确定最佳参数。
与现有技术相比,本发明具有以下有益的技术效果:
1)本发明针对深度信念网络模型训练需要大量铁谱图像样本问题,采用图像背景色处理与数据增强方法,高效得到大量合格的铁谱图像数据集。首先利用铁谱技术制备少量铁谱图像样本,然后针对图像的背景色进行修改,以区分铁谱图像中的磨粒与背景,极大提高磨粒与背景的辨识度,最后利用数据增强的方法,将制备的小样本铁谱图像数据集扩充成满足深度信念网络模型训练的大样本铁谱图像数据集;
2)本发明在解决训练深度信念网络模型时铁谱图像数据集样本不足的问题后,将深度学习与铁谱技术相结合,利用深度信念网络模型强大的提取特征能力,在自主学习完铁谱图像中深层次特征后,加以识别,从而实现故障智能识别;
3)本发明采用的深度信念网络模型识别效率快,而且诊断精度高,适用于机械设备齿轮故障的在线监测与预警,可以有效地降低机械设备故障发生率,从而提高其利用率。
附图说明
图1为本发明中基于深度信念网络的铁谱图像智能识别方法的流程图;
图2为铁谱图像制备流程图;
图3为智能识别软件单张识别界面;
图4为智能识别软件批量识别界面;
图5为应用实例单张识别结果;
图6为应用实例批量识别结果。
具体实施方式
下面结合附图对本发明作进一步详细描述:
参见附图1,本发明的一种基于深度信念网络的铁谱图像智能识别方法,主要包含如下步骤:
1)利用实验室已搭建的齿轮传动系统,在齿轮传动系统运行一段时间后进行油液收集,并利用铁谱技术制备铁谱图像。
该齿轮传动系统是由变频电机驱动,磁粉制动器模拟负载,其中包含了二级行星轮系和二级直齿轮减速器,利用600XP150齿轮油对其进行润滑,完成润滑油的采集后,利用YTF-8分析式铁谱分析平台,对采集的油液进行分析,具体制备铁谱图像的流程见附图2。第一步:抽取油液。这一步是十分重要的环节,要保证抽取的油液具有代表性,在取样的时候要注意油液抽取的部位、取样的时间间隔、取样的规范性等等,而且对于抽取的油液要做好详细地记录。第二步:油样处理。对于抽取的油液,由于重力的作用,油液中的磨粒会自然沉降,所以为了制备出合适的铁谱片,在制备铁谱片之前,要对抽取的油液进行加热和振荡,同时还需对油样进行稀释。第三步:制备铁谱片。铁谱片的制作是在铁谱仪上完成的,首先要选择合适的玻璃基片,放置好基片,开始输送油样,油样输送完后清洗基片,然后取出铁谱片并烘干。第四步:显微镜观察。利用显微镜观察基片上沉降的磨粒,调整显微镜视角,使得磨粒尽可能的呈现在视野中央。第五步:采集图像。利用显微镜观察好铁谱片中的磨粒后,利用计算机采集铁谱图像,完成记录并保存。
2)对于采集的铁谱图像进行预处理,包括背景色处理、数据增强等。
由于铁谱图像制备过程复杂、耗时,谱图质量较难控制,故谱图数量通常有限,不足以用来训练深度学习模型,因此需要对图像数据进行扩充。通过数据增强方法可以快速扩充样本,包括平移、旋转、对比度增强、翻转等方法。通过混合使用以上四种方法对原始铁谱图像数据集进行扩充,原始小样本以指数速率扩充成大样本,在样本数量上满足了深度信念网络模型训练要求。此外,对采集到的铁谱图像进行了背景色处理,极大提高了前景和背景的辨识度。
3)利用处理后的铁谱图像数据集对深度信念网络进行预训练,提取铁谱图像深层次特征。
预训练深度信念网络模型即逐个训练每个受限玻尔兹曼机模型,当受限玻尔兹曼机模型中参数即权重w、可见层偏置b和隐含层偏置c给定,并且可见层v和隐含层h的状态给定时,模型的能量即为:
式中:v与h分别表示可见层与隐含层神经元,nv与nh分别表示可见层与隐含层神经元数目;为可见层所有神经元、隐含层所有神经元和对应连接权重所有乘积之和;为可见层所有神经元与对应偏置所有乘积之和;/>为隐含层所有神经元与对应偏置所有乘积之和。
基于模型能量函数,可得受限玻尔兹曼机模型的概率分布:
进一步可得到隐含层和可见层神经元被激活的概率分别为:
受限玻尔兹曼机模型的训练目标是不断学习模型中各个参数,使受限玻尔兹曼机所表示的边缘概率分布P(v)尽可能接近训练数据所表示的分布,即最大化似然函数:
式中:θ为训练目标参数,包含w、b、c;v(i)为第i个样本数据;m为训练样本数量。
对上式进行偏导数计算得到:
对于公式中的计算难度大,复杂度高,所以采用对比散度算法(ContrastiveDivergence,CD)计算其近似值。对比散度算法利用训练样本初始化可见层状态,首先计算隐含层神经元激活概率,从而确定隐含层神经元状态,然后计算可见层神经元激活概率,从而确定可见层神经元状态,完成CD-1算法,将该过程循环k次即可实现可见层神经元的k次重构,即完成CD-k算法。
利用上述原理,将铁谱图像作为可见层v输入,首先训练第一个受限玻尔兹曼机,将训练完毕的第一个受限玻尔兹曼机隐含层作为第二个受限玻尔兹曼机可见层输入,进而训练第二个受限玻尔兹曼机,依次训练每个受限玻尔兹曼机,学习铁谱图像中磨粒的尺寸大小、纹理等特点,从而提取其中深层次特征,为后续实现高识别率奠定了基础。
4)预训练完深度信念网络模型后,将每个受限玻尔兹曼机的参数(包括权重、偏置)初始化深度信念网络,利用带标签的铁谱图像数据集微调整个深度信念网络,确定最佳模型参数。
5)借助设计的智能识别软件,见附图3和附图4,利用步骤1)中得到的带标签的铁谱图像测试集检测训练完毕的模型性能,其结果如下表1所示。
表1模型最终性能
下面结合具体实施例对本发明做出进一步详细描述,具体步骤如下:
步骤1)采集未知状态设备的润滑油液,利用铁谱分析平台制备合格的铁谱片,利用显微镜观察好铁谱片中的磨粒后,利用计算机采集铁谱图像,完成记录并保存;
步骤2)对采集的铁谱图像进行背景色处理,区分开图像中的磨粒与背景,提高磨粒与背景的辨识度,进而提高深度信念网络模型的识别正确率;
步骤3)将处理后的铁谱图像输入到训练完毕的深度信念网络模型中,利用设计的智能识别软件,选中需要识别的铁谱图像,利用深度信念网络模型即可完成铁谱图像的智能识别;
步骤4)通过步骤1)至3),借助设计的智能识别软件可以诊断出设备故障类别,诊断效果如附图5和附图6所示,从而降低设备的故障发生率,提高设备的利用率。
以上结合附图对本发明的具体实施方式作了说明,但这些说明不能被理解为限制了本发明的范围,本发明的保护范围由随附的权利要求书限定,任何在本发明权利要求基础上的改动就是本发明的保护范围。
Claims (5)
1.一种基于深度信念网络的铁谱图像智能识别方法,其特征在于,包括以下步骤;
1)利用铁谱技术采集磨粒铁谱图像数据集,并按照类别对每一张铁谱图像进行标记和处理,得到带标签的铁谱图像数据集,并分为训练集和测试集;
2)利用不带标签的铁谱图像数据集预训练多个受限玻尔兹曼机,将受限玻尔兹曼机预训练完毕的各神经元参数用于初始化深度信念网络模型中对应神经元参数,最后一层受限玻尔兹曼机的隐含层提取的特征向量即为训练样本的深层特征,其中神经元参数包括权重和偏置;
3)利用步骤1)中得到的带标签铁谱图像训练集微调深度信念网络模型,确定模型最佳分类参数,进而确定最终模型参数;
4)采集未知状态的设备润滑油液,利用铁谱技术制备铁谱图像,利用训练完毕的深度信念网络模型对其进行故障分类,完成铁谱图像智能识别。
2.根据权利要求1所述的一种基于深度信念网络的铁谱图像智能识别方法,其特征在于,步骤1)中采集铁谱图像后,对其进行背景色处理,然后使用数据增强方法,对采集的铁谱图像进行扩充,完成铁谱图像数据集的制备。
3.根据权利要求1所述的一种基于深度信念网络的铁谱图像智能识别方法,其特征在于,步骤2)中预训练具体包括:
2.1)搭建3个受限玻尔兹曼机模型,将每一个受限玻尔兹曼机串联起来,即上一个受限玻尔兹曼机的输出层作为下一个受限玻尔兹曼机的输入层;
2.2)利用铁谱图像数据集对搭建的3个受限玻尔兹曼机模型进行训练,通过不断减小重构误差来优化神经元的权重与偏置,达到逐层获取深层次铁谱图像特征的目的。
4.根据权利要求3所述的一种基于深度信念网络的铁谱图像智能识别方法,其特征在于,步骤2.2)具体为:
受限玻尔兹曼机模型中参数权重w、可见层偏置b和隐含层偏置c给定,并且可见层v和隐含层h的状态给定时,模型的能量即为:
式中:v与h分别表示可见层与隐含层神经元,nv与nh分别表示可见层与隐含层神经元数目;为可见层所有神经元、隐含层所有神经元和对应连接权重所有乘积之和;/>为可见层所有神经元与对应偏置所有乘积之和;/>为隐含层所有神经元与对应偏置所有乘积之和;
基于模型能量函数,得到受限玻尔兹曼机模型的概率分布:
进一步得到隐含层和可见层神经元被激活的概率分别为:
受限玻尔兹曼机模型的训练目标是不断学习模型中各个参数,使受限玻尔兹曼机所表示的边缘概率分布P(v)尽可能接近训练数据所表示的分布,即最大化似然函数:
式中:θ为训练目标参数,包含参数权重w、可见层偏置b和隐含层偏置c;v(i)为第i个样本数据;m为训练样本数量;
利用对数函数的严格单调性,将受限玻尔兹曼机模型的目标函数修正为:
对上式进行偏导数计算得到:
利用上述原理,将铁谱图像作为可见层v输入,首先训练第一个受限玻尔兹曼机,将训练完毕的第一个受限玻尔兹曼机隐含层作为第二个受限玻尔兹曼机可见层输入,进而训练第二个受限玻尔兹曼机,依次训练每个受限玻尔兹曼机,从而提取铁谱图像中深层次特征。
5.根据权利要求3所述的一种基于深度信念网络的铁谱图像智能识别方法,其特征在于,步骤3)中微调具体包括:
3.1)利用步骤2)中预训练完毕的3个受限玻尔兹曼机模型参数初始化深度信念网络模型,并在网络模型末端加入一个Softmax分类层用于分类;
3.2)利用步骤1)中得到的带标签的铁谱图像训练集对初始化后的深度信念网络模型进行微调训练,确定最佳参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011169535.3A CN112287813B (zh) | 2020-10-27 | 2020-10-27 | 一种基于深度信念网络的铁谱图像智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011169535.3A CN112287813B (zh) | 2020-10-27 | 2020-10-27 | 一种基于深度信念网络的铁谱图像智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287813A CN112287813A (zh) | 2021-01-29 |
CN112287813B true CN112287813B (zh) | 2023-06-23 |
Family
ID=74372676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011169535.3A Active CN112287813B (zh) | 2020-10-27 | 2020-10-27 | 一种基于深度信念网络的铁谱图像智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287813B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018076475A1 (zh) * | 2016-10-26 | 2018-05-03 | 广东产品质量监督检验研究院 | 一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法 |
CN108256556A (zh) * | 2017-12-22 | 2018-07-06 | 上海电机学院 | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 |
CN109086817A (zh) * | 2018-07-25 | 2018-12-25 | 西安工程大学 | 一种基于深度信念网络的高压断路器故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8239336B2 (en) * | 2009-03-09 | 2012-08-07 | Microsoft Corporation | Data processing using restricted boltzmann machines |
-
2020
- 2020-10-27 CN CN202011169535.3A patent/CN112287813B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018076475A1 (zh) * | 2016-10-26 | 2018-05-03 | 广东产品质量监督检验研究院 | 一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法 |
CN108256556A (zh) * | 2017-12-22 | 2018-07-06 | 上海电机学院 | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 |
CN109086817A (zh) * | 2018-07-25 | 2018-12-25 | 西安工程大学 | 一种基于深度信念网络的高压断路器故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于深度信念网络的变压器故障诊断;刘冰尧;庞腾;雷菊阳;;化工自动化及仪表(11);全文 * |
基于深度信念网络的铁路信号设备故障识别;张玉霞;;信息技术(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112287813A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Bearing defect size assessment using wavelet transform based Deep Convolutional Neural Network (DCNN) | |
CN109765053B (zh) | 利用卷积神经网络和峭度指标的滚动轴承故障诊断方法 | |
Sinitsin et al. | Intelligent bearing fault diagnosis method combining mixed input and hybrid CNN-MLP model | |
CN114970605B (zh) | 一种多模态特征融合神经网络的制冷设备故障诊断方法 | |
CN112924177B (zh) | 一种改进深度q网络的滚动轴承故障诊断方法 | |
CN109858352B (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN111323220A (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
CN112763214A (zh) | 基于多标签零样本学习的滚动轴承故障诊断方法 | |
CN113837000A (zh) | 一种基于任务排序元学习的小样本故障诊断方法 | |
CN114295377A (zh) | 一种基于遗传算法的cnn-lstm轴承故障诊断方法 | |
CN110335231A (zh) | 一种融合纹理特征和深度特征的超声影像慢性肾脏病辅助筛查方法 | |
CN112729834B (zh) | 一种轴承故障的诊断方法、装置和系统 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
CN113095179A (zh) | 元度量学习驱动的直升机行星齿轮箱故障诊断方法 | |
CN116028876A (zh) | 一种基于迁移学习的滚动轴承故障诊断方法 | |
CN116358871A (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
CN112364899A (zh) | 一种基于虚拟图像与迁移学习的磨粒铁谱图像智能识别方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
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 | |
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 | |
Zheng et al. | An unsupervised transfer learning method based on SOCNN and FBNN and its application on bearing fault diagnosis | |
Dennler et al. | Learning-based defect recognition for quasi-periodic HRSTEM images | |
CN112288000A (zh) | 一种基于支持向量机的铁谱图像智能识别方法 | |
CN112287813B (zh) | 一种基于深度信念网络的铁谱图像智能识别方法 |
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 |