CN113159127A - 一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法 - Google Patents

一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法 Download PDF

Info

Publication number
CN113159127A
CN113159127A CN202110307889.8A CN202110307889A CN113159127A CN 113159127 A CN113159127 A CN 113159127A CN 202110307889 A CN202110307889 A CN 202110307889A CN 113159127 A CN113159127 A CN 113159127A
Authority
CN
China
Prior art keywords
model
countermeasure network
generation countermeasure
discriminator
fault diagnosis
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
CN202110307889.8A
Other languages
English (en)
Inventor
刘杰
朱民强
黄煜琪
王召霞
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.)
Zhejiang Great Shengda Packing Co Ltd
Original Assignee
Zhejiang Great Shengda Packing Co Ltd
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 Zhejiang Great Shengda Packing Co Ltd filed Critical Zhejiang Great Shengda Packing Co Ltd
Priority to CN202110307889.8A priority Critical patent/CN113159127A/zh
Publication of CN113159127A publication Critical patent/CN113159127A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Acoustics & Sound (AREA)
  • Inking, Control Or Cleaning Of Printing Machines (AREA)

Abstract

本发明提供了一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，包括以下步骤：采集印刷机原始振动信号；将采集到的数据划分训练集和测试集；构建由生成器与判别器相结合的生成对抗网络模型；输入训练集，通过批次样本训练的方式对模型进行迭代训练，使用Adam优化算法优化网络参数，直到网络模型收敛；最后将模型用于测试集的故障诊断，并对结果进行评估。本发明通过改进传统的生成对抗网络，在其输出层增加辅助分类器，使得生成对抗网络具有分类能力，能够实现凹版印刷机导向辊故障的智能诊断。

Description

一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能 诊断方法
技术领域
本发明属于故障检测技术领域，具体涉及一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法。
背景技术
作为凹版印刷设备中的关键元件，导向辊的性能直接影响设备的稳定性和可靠性。在高速、油墨腐蚀性等复杂工作条件下，导向辊容易发生故障，其必然会降低印刷设备的性能，从而影响印刷质量，进而导致严重的经济损失，严重时甚至会发生安全事故。因此，研究凹版印刷机导向辊故障诊断方法，监测凹版印刷机导向辊的运行状态，及时、准确地对其进行故障溯源具有重要的学术意义和工程价值。
传统的故障诊断方法通常需要人为处理数据、提取特征，受到人为因素的影响较大，过程繁琐，且通常需要具有丰富的专家经验知识。随着人工智能算法的逐步发展，其在故障诊断领域的应用也受到了广泛的关注。智能故障诊断能够自动提取特征，降低了专家经验对数据特征提取过程的影响，从而减少人为干预。但由于导向辊处在强噪声、油墨腐蚀等特殊工作环境下，导致现有的智能诊断准确率还不能满足要求。生成对抗网络作为一种人工智能技术，因其特有的对抗过程而具有很强的数据处理能力，能够从复杂的动态信号中提取出敏感特征。但是，由于传统的生成对抗网络属于无监督学习的模型，其判别器仅能判别生成样本的真伪，不能直接进行故障类型的识别。
发明内容
针对现有技术中存在的问题，本发明提供一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法。对传统的生成对抗网络基础上加入额外输出条件，并且在输出层添加辅助输出层，将生成对抗网络从无监督学习的生成模型改进为监督学习的分类模型。本发明利用改进的生成对抗网络进行故障分类，提高了故障诊断分类精度。
本发明提供如下技术方案：一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，包括如下步骤：
S100：采集导向辊机械振动信号，对获取到的信号进行标准预处理，再将数据集分为训练集和测试集；
S200：建立生成器与判别器相结合的生成对抗网络模型；
S300：构建一个辅助分类器，并嵌入到所述S200步骤得到的判别器的输出层中，从而改进所述生成对抗网络模型；
S400：利用所述S100步骤中的训练集对所述S300步骤得到的改进生成对抗网络模型进行训练优化，得到具有优化参数的智能诊断模型；
S500：采用所述S400步骤中训练所得的智能诊断模型对S100中的测试集进行故障诊断，并对结果进行评估，最终模型能够获得90％以上的运行状态识别准确率，即可实现对凹版印刷机导向辊故障的智能诊断。
进一步地，在所述步骤S100中，将所述数据集按照7：3的比例划分为训练集和测试集。
进一步地，所述步骤S100中对获取到的信号进行标准预处理为使用零均值规范，计算式为：
Figure RE-GDA0003105807380000021
Figure RE-GDA0003105807380000022
Figure DEST_PATH_FDA0002988613170000013
其中，所述n为单个输入信号的数据点个数，所述xk为第k个输入信号样本的数据点，所述
Figure RE-GDA0003105807380000031
为输入信号的均值，所述s为输入信号样本的标准差，所述yk为零均值规范化处理后的信号样本的第k个数据点。
进一步地，所述步骤S200中，得到的构建改进的生成对抗网络模型的模型结构分为生成器和判别器，用真实样本的标签信息与高斯分布的噪声信号融合后的数据作为生成器模型的输入层；在所述判别器模型中，输入层分为两部分，一部分为所述生成器生成的样本数据，另一部分则为真实样本信息与真实标签信息的组合。
进一步地，所述生成器模型中含有三个全连接层作为隐层，神经元的个数分别为256、512和1024。
进一步地，生成器的输出层使用的激活函数为tanh函数：
Figure RE-GDA0003105807380000032
所述ztanh代表激活函数的输入，所述ytanh代表激活函数的输出，所述ytanh的值在-1到1之间。
进一步地，判别器的输出层为判断样本真假的输出层，使用的是sigmoid函数：
Figure RE-GDA0003105807380000033
所述zsig代表激活函数的输入，所述ysig代表激活函数的输出，所述ysig在0 到1之间。
进一步地，在所述步骤S400中，所述判别器通过输出真伪的输出层损失函数不断更新判别器模型中各层的权重值，与所述生成器形成对抗，使得所述生成器的生成样本分布逐步接近真实样本的分布，而所述生成器的不断更新同样也使得所述判别器模型得到优化；同时，所述判别器通过辅助分类器的损失函数对所述判别器模型进行优化，从而不断提高故障分类的精度模型；训练过程中使用批次样本训练的方法，每个批次选256个样本训练。
进一步地，所述步骤S400中优化所使用的优化函数为Adam优化算法。
进一步地，步骤S300中，实现故障分类的输出层采用softmax多分类器：
Figure RE-GDA0003105807380000041
所述C为要预测的类别数，所述asofi表示输入样本，所述ysofi表示样本属于类别i的概率；对于分类，所述softmax分类器的输出为0到1之间的概率值，并选择最大概率值ysofi作为分类结果。
本发明的有益效果为：
1、本发明提出将改进的生成对抗网络模型用于特征提取和故障诊断的方法，提高了凹版印刷机导向辊故障诊断精度。
2、本发明通过添加标签信息以及增加辅助分类器的方式，改进传统的生成对抗网络，使其从无监督模型转变为监督学习的分类模型。
上述说明仅是本发明技术方案的概述，为了能够使得本发明的技术手段更加清楚明白，达到本领域技术人员可依照说明书的内容予以实施的程度，并且为了能够让本发明的上述和其它目的、特征和优点能够更明显易懂，下面以本发明的具体实施方式进行举例说明。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中：
图1为本发明的一种基于改进生成对抗网络的凹版印刷机导向辊故障智能诊断方法的流程图；
图2为本发明提供的一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法网络结构图；
图3为本发明对一个实施例的印刷机导向辊故障智能诊断的准确率曲线图。
具体实施例方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面将参照附图更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
如图1所示的是本发明方法流程图，其包括如下步骤。
S100、采集导向辊机械振动信号，对获取到的信号进行标准预处理，将数据集按7：3的比例划分为训练集和测试集。所述的标准化预处理使用零均值规范，计算式为：
Figure RE-GDA0003105807380000061
Figure RE-GDA0003105807380000062
Figure 740765DEST_PATH_FDA0002988613170000013
其中，n为单个输入信号的数据点个数，xk为第k个输入信号样本的数据点，
Figure RE-GDA0003105807380000064
为输入信号的均值，s为输入信号样本的标准差，yk为零均值规范化处理后的信号样本的第k个数据点。
S200：构建生成对抗网络，模型结构分为生成器和判别器。在生成器模型中，含有三个全连接层作为隐层，神经元的个数分别为256、512和1024。用真实样本的标签信息与高斯分布的噪声信号融合后的数据作为生成器模型的输入层。生成器的输出层使用的激活函数为tanh函数：
Figure RE-GDA0003105807380000065
其中，ztanh代表激活函数的输入，ytanh代表激活函数的输出，ytanh的值在-1 到1之间。在判别器模型中，输入层分为两部分，一部分为生成器生成的样本数据；另一部分输入层则为真实样本信息与真实标签信息的组合。判别器的输出层为判断样本真假的输出层，使用的是sigmoid函数：
Figure RE-GDA0003105807380000066
其中，zsig代表激活函数的输入，ysig代表激活函数的输出，ysig在0到1之间。
S300：在判别器的输出层中增加额外的一个辅助分类器，从而使得改进后的生成对抗网络成为一个监督学习的分类模型。实现故障分类的输出层采用softmax多分类器：
Figure RE-GDA0003105807380000071
其中，C为要预测的类别数，asofi表示输入样本，ysofi表示样本属于类别i 的概率。对于分类问题，softmax分类器的输出为0到1之间的概率值，并选择最大概率值的ysofi作为分类结果。
S400：利用步骤S100中的训练集对模型进行训练优化，优化将要得到的智能诊断模型参数，进而得到优化了参数的智能诊断模型；判别器通过输出真伪的输出层损失函数不断更新判别器模型中各层的权重值，与生成器形成对抗，使得生成器的生成样本分布逐步接近真实样本的分布，而生成器的不断更新同样也使得判别器模型得到优化；同时，判别器通过辅助分类器的损失函数对判别器模型进行优化，从而不断提高故障分类的精度模型。训练过程中使用批次样本训练的方法，每个批次选256个样本进行训练；优化函数使用Adam优化算法。
S500：用S400中训练所得的智能诊断模型对S100中的测试集进行故障诊断，并对结果进行评估。最终模型能够获得90％以上的运行状态识别准确率，即可实现对凹版印刷机导向辊故障的智能诊断。
为了进一步理解本发明，图2为本发明的一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法网络结构图。如图2所示，本发明的智能诊断方法对生成对抗网络并进行改进，在判别器的输出层添加辅助分类器。将所测得的凹版印刷机导向辊关键位置处的振动信号样本的标签信息与高斯分布的噪声信号进行信息融合后的数据作为生成器模型的输入层，同时生成器的输出层直接连接到判别器。在判别器模型中，输入层分为两部分，其中一部分为生成器生成的样本数据；另一部分输入层则为真实的样本信息以及标签。在判别器输出层处也分为两部分，一部分输出为判断样本真假的输出层；另一部分输出样本故障的类别，从而实现凹版印刷机导向辊故障的智能诊断。
为了进一步理解本发明。图3为本发明的一个实施例的凹版印刷机导向辊故障智能诊断的准确率曲线图。本案例在凹版印刷机导向辊轴承实验平台上实施。本实验中所使用的压电式传感器安装于滚筒轴承座处，另一端与数据采集仪连接。采集仪输出至诊断系统。轴承故障加工方式采用电火花机床加工方式，故障深度由轻到重分为三种程度。并且将三种故障以三种位置引入轴承：内圈故障，外圈故障，滚动体故障。选取电机转速为8000rpm，采样频率12kHz。每类故障状态包含2000个样本，共计20000个样本。本发明的一个实施例的凹版印刷机导向辊故障诊断的准确率曲线如图3所示，横坐标表示迭代次数，纵坐标表示诊断准确率，随着迭代次数的增加，凹版印刷机导向辊故障诊断准确率随之上升，当迭代次数到达一定范围时，智能诊断准确率趋于平稳，最后稳定在97.47％。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在上面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

Claims (10)

1.一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，其特征在于，包括如下步骤：
S100：采集导向辊机械振动信号，对获取到的信号进行标准预处理，再将数据集分为训练集和测试集；
S200：建立生成器与判别器相结合的生成对抗网络模型；
S300：构建一个辅助分类器，并嵌入到所述S200步骤得到的判别器的输出层中，从而改进所述生成对抗网络模型；
S400：利用所述S100步骤中的训练集对所述S300步骤得到的改进生成对抗网络模型进行训练优化，得到具有优化参数的智能诊断模型；
S500：采用所述S400步骤中训练所得的智能诊断模型对S100中的测试集进行故障诊断，并对结果进行评估，最终模型能够获得90％以上的运行状态识别准确率，即可实现对凹版印刷机导向辊故障的智能诊断。
2.根据权利要求1所述的一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，其特征在于，在所述步骤S100中，将所述数据集按照7：3的比例划分为训练集和测试集。
3.根据权利要求1所述的一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，其特征在于，所述步骤S100中对获取到的信号进行标准预处理为使用零均值规范，计算式为：
Figure FDA0002988613170000011
Figure FDA0002988613170000012
Figure FDA0002988613170000013
其中，所述n为单个输入信号的数据点个数，所述xk为第k个输入信号样本的数据点，所述
Figure FDA0002988613170000014
为输入信号的均值，所述s为输入信号样本的标准差，所述yk为零均值规范化处理后的信号样本的第k个数据点。
4.根据权利要求1所述的一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，其特征在于，所述步骤S200中，得到的构建改进的生成对抗网络模型的模型结构分为生成器和判别器，用真实样本的标签信息与高斯分布的噪声信号融合后的数据作为生成器模型的输入层；在所述判别器模型中，输入层分为两部分，一部分为所述生成器生成的样本数据，另一部分则为真实样本信息与真实标签信息的组合。
5.根据权利要求4所述的一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，其特征在于，所述生成器模型中含有三个全连接层作为隐层，神经元的个数分别为256、512和1024。
6.根据权利要求4所述的一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，其特征在于，生成器的输出层使用的激活函数为tanh函数：
Figure FDA0002988613170000021
所述ztanh代表激活函数的输入，所述ytanh代表激活函数的输出，所述ytanh的值在-1到1之间。
7.根据权利要求4所述的一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，其特征在于，判别器的输出层为判断样本真假的输出层，使用的是sigmoid函数：
Figure FDA0002988613170000022
所述zsig代表激活函数的输入，所述ysig代表激活函数的输出，所述ysig在0到1之间。
8.根据权利要求4所述的一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，其特征在于，在所述步骤S400中，所述判别器通过输出真伪的输出层损失函数不断更新判别器模型中各层的权重值，与所述生成器形成对抗，使得所述生成器的生成样本分布逐步接近真实样本的分布，而所述生成器的不断更新同样也使得所述判别器模型得到优化；同时，所述判别器通过辅助分类器的损失函数对所述判别器模型进行优化，从而不断提高故障分类的精度模型；训练过程中使用批次样本训练的方法，每个批次选256个样本训练。
9.根据权利要求1所述的一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，其特征在于，所述步骤S400中优化所使用的优化函数为Adam优化算法。
10.根据权利要求1所述的一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，其特征在于，步骤S300中，实现故障分类的输出层采用softmax多分类器：
Figure FDA0002988613170000031
所述C为要预测的类别数，所述asofi表示输入样本，所述ysofi表示样本属于类别i的概率；对于分类，所述softmax分类器的输出为0到1之间的概率值，并选择最大概率值的ysofi作为分类结果。
CN202110307889.8A 2021-03-23 2021-03-23 一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法 Pending CN113159127A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110307889.8A CN113159127A (zh) 2021-03-23 2021-03-23 一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110307889.8A CN113159127A (zh) 2021-03-23 2021-03-23 一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法

Publications (1)

Publication Number Publication Date
CN113159127A true CN113159127A (zh) 2021-07-23

Family

ID=76888245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110307889.8A Pending CN113159127A (zh) 2021-03-23 2021-03-23 一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法

Country Status (1)

Country Link
CN (1) CN113159127A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116754234A (zh) * 2023-08-17 2023-09-15 山东经典印务有限责任公司 一种自动化印刷生产设备运行状态检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016395A (zh) * 2020-07-14 2020-12-01 华北电力大学（保定） 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法
CN112039687A (zh) * 2020-07-14 2020-12-04 南京邮电大学 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法
CN112380767A (zh) * 2020-11-11 2021-02-19 山东大学 基于改进型生成对抗网络的设备故障诊断方法及系统
CN112396088A (zh) * 2020-10-19 2021-02-23 西安交通大学 一种小样本下隐式激励对抗训练的机械故障智能诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016395A (zh) * 2020-07-14 2020-12-01 华北电力大学（保定） 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法
CN112039687A (zh) * 2020-07-14 2020-12-04 南京邮电大学 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法
CN112396088A (zh) * 2020-10-19 2021-02-23 西安交通大学 一种小样本下隐式激励对抗训练的机械故障智能诊断方法
CN112380767A (zh) * 2020-11-11 2021-02-19 山东大学 基于改进型生成对抗网络的设备故障诊断方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高敬鹏: "《深度学习 卷积神经网络技术与实践》", 30 June 2020 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116754234A (zh) * 2023-08-17 2023-09-15 山东经典印务有限责任公司 一种自动化印刷生产设备运行状态检测方法
CN116754234B (zh) * 2023-08-17 2023-11-21 山东经典印务有限责任公司 一种自动化印刷生产设备运行状态检测方法

Similar Documents

Publication Publication Date Title
CN110647923B (zh) 小样本下基于自我学习的变工况机械故障智能诊断方法
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN111539152B (zh) 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN107784325A (zh) 基于数据驱动增量融合的螺旋式故障诊断模型
CN112284735B (zh) 基于一维卷积与动态路由的多传感器滚动轴承故障诊断
CN110008898B (zh) 基于符号和卷积神经网络的工业设备数据边缘处理方法
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
CN112633098B (zh) 一种旋转机械故障诊断方法、系统及存储介质
Ruan et al. A relation-based semisupervised method for gearbox fault diagnosis with limited labeled samples
CN111680875A (zh) 基于概率基线模型的无人机状态风险模糊综合评价方法
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
CN112329520B (zh) 基于生成对抗学习的货车轴承故障识别方法
CN114118138A (zh) 一种基于多标签领域自适应模型的轴承复合故障诊断方法
CN114564987A (zh) 一种基于图数据的旋转机械故障诊断方法及系统
CN115392333A (zh) 一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法
CN113159127A (zh) 一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
Li et al. Intelligent fault diagnosis of aeroengine sensors using improved pattern gradient spectrum entropy
Zhang et al. Deep learning with emerging new labels for fault diagnosis
CN115563565A (zh) 一种基于增量学习的电机轴承故障诊断方法及装置
CN112016597B (zh) 一种机器学习中基于贝叶斯不平衡度量的深度采样方法
CN111783941B (zh) 一种基于概率置信度卷积神经网络的机械设备诊断分类方法
CN112163630A (zh) 一种基于不平衡学习的复合故障诊断方法及装置
CN108414228B (zh) 基于平均多粒度决策粗糙集和nnbc轴承故障诊断方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210723

RJ01 Rejection of invention patent application after publication