CN113324754B - 一种基于多感受野图卷积的齿轮传动系统故障识别方法 - Google Patents
一种基于多感受野图卷积的齿轮传动系统故障识别方法 Download PDFInfo
- Publication number
- CN113324754B CN113324754B CN202110589776.1A CN202110589776A CN113324754B CN 113324754 B CN113324754 B CN 113324754B CN 202110589776 A CN202110589776 A CN 202110589776A CN 113324754 B CN113324754 B CN 113324754B
- Authority
- CN
- China
- Prior art keywords
- node
- sample
- nodes
- matrix
- sample set
- 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
- 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
- G01M13/021—Gearings
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开揭示了一种基于多感受野图卷积的齿轮传动系统故障识别方法,包括:将所采集的已知故障的齿轮传动系统的振动信号进行样本划分获得训练样本集,将训练样本集构造为第一关联图数据;将所采集的未知故障的齿轮传动系统的振动信号进行样本划分获得待测样本集,将待测样本集构造为第二关联图数据;构建由两层多感受野图卷积层和两层全连接层构成的多感受野图卷积网络,通过第一关联图数据对多感受野图卷积网络进行训练;将第二关联图数据输入训练后的多感受野图卷积网络,实现对未知故障的齿轮传动系统的故障识别。
Description
技术领域
本公开属于机械故障诊断领域,具体涉及一种基于多感受野图卷积的齿轮传动系统故障识别方法。
背景技术
近年来,基于深度学习的方法因其强大的特征表示能力而席卷了机械故障诊断领域。但是,许多现有的深度方法无法明确地进行信号之间的关系挖掘。与现有的深度网络不同,图卷积网络使用具有拓扑结构的图数据作为输入,能够有效的建模数据之间的关系,从而学习到更加可靠的特征表示。但是,现有的图卷积网络具有感受野固定,无法聚合不同邻域的节点特征,因此需要一种能够从不同邻域聚合信息的图卷积网络。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解,因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术中的不足,本公开的目的在于提供一种基于多感受野图卷积的齿轮传动系统故障识别方法,通过构造多感受野图卷积神经网络,使得对关联图数据进行特征挖掘的过程中将样本之间的关系也进行了嵌入,从而提高了学习到的特征表示中的信息和模型的性能。
为实现上述目的,本公开提供以下技术方案:
一种基于多感受野图卷积的齿轮传动系统故障识别方法,包括如下步骤:
S100:将所采集的已知故障的齿轮传动系统的振动信号进行样本划分获得训练样本集,将训练样本集构造为第一关联图数据;将所采集的未知故障的齿轮传动系统的振动信号进行样本划分获得待测样本集,将待测样本集构造为第二关联图数据;
S200:构建由两层多感受野图卷积层和两层全连接层构成的多感受野图卷积网络,通过第一关联图数据对多感受野图卷积网络进行训练;
S300:将第二关联图数据输入训练后的多感受野图卷积网络,实现对未知故障的齿轮传动系统的故障识别。
优选的,步骤S100中,构造第一关联图数据包括以下步骤:
S201:将已知故障的齿轮传动系统的振动信号划分为多个长度为L的样本,并给每个样本分配相应的故障标签,由分配好故障标签的样本构成的训练样本集表示为:D=[(x1,y1),(x2,y2),…,(xi,yi)],其中,xi表示第i个故障已知的样本,yi则表示与第i个样本对应的标签;
S202:从训练样本集D中依次选取q个样本,将每个样本视作一个节点并将其样本本身的数值作为节点特征,将q个节点的特征按行排列则可获得节点特征矩阵X;
S203:计算节点特征矩阵X中每对节点之间的余弦相似度,将余弦相似度与阈值比对判断该对节点之间是否存在连接关系,若存在连接关系,则该对节点互为邻居节点,依次类推,将所有存在连接关系的邻居节点连接构成邻接矩阵A,根据所获得的节点特征矩阵X和邻居矩阵A,则可在数学上定义一个关联图;
S204:重复步骤S202和S203,直到遍历完训练样本集中的所有样本,则可获得第一关联图数据。
优选的,步骤S203中,所述邻居节点由下式获得:
优选的,步骤S100中,构造第二关联图数据包括以下步骤:
S2001:将未知故障的齿轮传动系统的振动信号划分为多个长度为L的样本,则待测样本集表示为:Q=[t1,t2,…,ti],其中,ti表示第i个故障未知的样本;
S2002:从待测样本集Q中依次选取q个样本,将每个样本视作一个节点并将其样本本身的数值作为节点特征,将q个节点的特征按行排列则可获得节点特征矩阵X2;
S2003:计算节点特征矩阵X2中每对节点之间的余弦相似度,将余弦相似度与阈值比对判断该对节点之间是否存在连接关系,若存在连接关系,则该对节点互为邻居节点,依次类推,将所有存在连接关系的邻居节点连接构成邻接矩阵A2,根据所获得的节点特征矩阵X2和邻居矩阵A2,则可在数学上定义一个关联图;
S2004:重复步骤S2002和S2003,直到遍历完待测样本集中的所有样本,则可获得第二关联图数据。
优选的,步骤S200中,所述多感受野图卷积层表示为:
其中,K1,K2和Kl分别表示不同大小的感受野,W1,W2和Wl分别表示不同的权重矩阵,X和A分别表示关联图数据的节点特征矩阵和邻接矩阵。
优选的,步骤S200中,所述多感受野图卷积网络表示为:
H=MRFGConv1(AMRFGConv0(AXW(0))W(1))
其中,MRFGConv表示多感受野图卷积层,W(0)和W(1)分别表示第一层和第二层的参数矩阵。
优选的,步骤S300中,对未知故障的齿轮传动系统的故障识别的过程表示为:
Z=FC(H(1))
其中,Z表示模型最终预测的结果,FC(·)表示全连接层,H(1)表示通过第二层多感受野图卷积网络学习到的节点表示。
与现有技术相比,本公开带来的有益效果为:
本公开将所采集的振动信号转换成关联图数据,并通过构造多感受野图卷积神经网络,使得对关联图数据进行特征挖掘的过程中将样本之间的关系也进行了嵌入,从而提高了学习到的特征表示中的信息和模型的性能。
附图说明
图1是本公开一个实施例提供的一种基于多感受野图卷积的齿轮传动系统故障识别方法流程图;
图2是本公开一个实施例提供的齿轮传动系统15种不同故障类型的振动信号;
图3是本公开一个实施例提供的振动信号样本划分和关联图构造过程的示意图;
图4(a)和图4(b)是本公开一个实施例提供的多感受野图卷积层和多感受野卷积网络的示意图;
图5是本公开一个实施例提供的5次齿轮传动系统故障实验的诊断结果的示意图;
图6是本公开一个实施例提供的感受野数量对模型性能影响的示意图。
具体实施方式
下面将参照附图图1至图6详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例,然而应当理解,可以以各种形式实现本公开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公开,并且能够将本公开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。本公开的保护范围当视所附权利要求所界定者为准。
为便于对本公开实施例的理解,下面将结合附图以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公开实施例的限定。
一个实施例中,如图1所示,一种基于多感受野图卷积网络的齿轮传动系统故障识别方法,包括如下步骤:
S100:将所采集的已知故障的齿轮传动系统的振动信号进行样本划分获得训练样本集,将训练样本集构造为第一关联图数据;将所采集的未知故障的齿轮传动系统的振动信号进行样本划分获得待测样本集,将待测样本集构造为第二关联图数据;
S200:构建由两层多感受野图卷积层和两层全连接层构成的多感受野图卷积网络,通过第一关联图数据对多感受野图卷积网络进行训练;
S300:将第二关联图数据输入训练后的多感受野图卷积网络,实现对未知故障的齿轮传动系统的故障识别。
上述实施例将所采集的振动信号转换成关联图数据,并通过构造多感受野图卷积神经网络,使得对关联图数据进行特征挖掘的过程中将样本之间的关系也进行了嵌入,从而提高了学习到的特征表示中的信息和模型的性能。
另一个实施例中,步骤S100中,构造第一关联图数据包括以下步骤:
S201:将已知故障的齿轮传动系统的振动信号划分为多个长度为L的样本,并给每个样本分配相应的故障标签,由分配好故障标签的样本构成的训练样本集表示为:D=[(x1,y1),(x2,y2),…,(xi,yi)],其中,xi表示第i个故障已知的样本,yi则表示与第i个样本对应的标签;
S202:从训练样本集D中依次选取q个样本,将每个样本视作一个节点并将其样本本身的数值作为节点特征,将q个节点的特征按行排列则可获得节点特征矩阵X;
S203:计算节点特征矩阵X中每对节点之间的余弦相似度,将余弦相似度与阈值比对判断该对节点之间是否存在连接关系,若存在连接关系,则该对节点互为邻居节点,依次类推,将所有存在连接关系的邻居节点连接构成邻接矩阵A,根据所获得的节点特征矩阵X和邻居矩阵A,则可在数学上定义一个关联图;
该步骤中,所述邻居节点由下式获得:
需要说明的是,阈值ε一般设置为0,即当余弦相似度s(xi,xj)大于0时,则认为两个节点之间存在边。
S204:重复步骤S202和S203,直到遍历完训练样本集中的所有样本,则可获得第一关联图数据。
另一个实施例中,步骤S100中,构造第二关联图数据包括以下步骤:
S2001:将未知故障的齿轮传动系统的振动信号划分为多个长度为L的样本,则待测样本集表示为:Q=[t1,t2,…,ti],其中,ti表示第i个故障未知的样本;
S2002:从待测样本集Q中依次选取q个样本,将每个样本视作一个节点并将其样本本身的数值作为节点特征,将q个节点的特征按行排列则可获得节点特征矩阵X2;
S2003:计算节点特征矩阵X2中每对节点之间的余弦相似度,将余弦相似度与阈值比对判断该对节点之间是否存在连接关系,若存在连接关系,则该对节点互为邻居节点,依次类推,将所有存在连接关系的邻居节点连接构成邻接矩阵A2,根据所获得的节点特征矩阵X2和邻居矩阵A2,则可在数学上定义一个关联图;
S2004:重复步骤S2002和S2003,直到遍历完待测样本集中的所有样本,则可获得第二关联图数据。
另一个实施例中,所述多感受野图卷积层表示为:
其中,K1,K2和Kl分别表示不同大小的感受野,W1,W2和Wl分别表示不同的权重矩阵,X和A分别表示关联图数据的节点特征矩阵和邻接矩阵。
另一个实施例中,所述多感受野图卷积网络表示为:
H=MRFGConv1(AMRFGConv0(AXW(0))W(1))
其中,MRFGConv表示多感受野图卷积层,W(0)和W(1)分别表示第一层和第二层的参数矩阵。
该网络中,第一层多感受野图卷积层表示为:
H(0)=ReLu([A0XW0 (0),A1XW1 (0),A2XW2 (0)])
其中,H(0)表示通过第一层多感受野图卷积网络学习到的节点表示,W0 (0),W1 (0)和W2 (0)分别表示不同感受野的权重矩阵,ReLu(·)是一种非线性激活函数。
第二层多感受野图卷积层表示为:
H(1)=ReLu([A0H(0)W0 (1),A1H(0)W1 (1),A2H(0)W2 (1)])
其中,H(1)表示通过第二层多感受野图卷积网络学习到的节点表示,W0 (1),W1 (1)和W2 (1)分别表示不同感受野的权重矩阵。
另一个实施例中,步骤S300中,对未知故障的齿轮传动系统的故障识别的过程表示为:
Z=FC(H(1))
其中,Z表示模型最终预测的结果,FC(·)表示全连接层,H(1)表示通过第二层多感受野图卷积网络学习到的节点表示。
图2是本公开一个实施例所采集的齿轮传动系统15种不同故障类型的振动信号。
在本实施例中,分别在该齿轮传动系统上的行星齿轮箱上预置了9种故障,在其上的平行轴齿轮箱上预置了6种故障。该齿轮传动系统实验台由数据采集系统,驱动马达,控制器,两级行星齿轮箱,平行轴齿轮箱和制动器依次连接而组成。预置的故障类型和划分样本的数量如表1所示:
表1
图3是本公开实施例的振动信号样本划分和关联图构造过程的示意图。图3中的信号采集自齿轮传动系统。
在本实施例中,使用了Y方向的加速度传感器采集的振动信号。同时,在划分时每个子样本的长度设置为1024,且在计算样本余弦相似度时将阈值ε设置为0。具体的构造关联图的过程如下:1)对采集的已知故障的振动信号进行样本划分,由表1可知,已知故障的振动信号进行样本划分后获得了1170个子样本;2)从每种故障划分得到的子样本集依次抽取q个子样本(本实施例中q取15),通过按行排列其特征获得节点特征矩阵,通过计算每个节点直接的余弦相似度判断并与阈值比较来判断两个节点之间是否存在边,若存在则边的权重记为1,不存在则记为0,从而获得邻接矩阵;3)重复过程2)直到遍历所有故障类型,从而可以生成相应的关联图数据集。
图4(a)和图4(b)分别是本发明实施例的多感受野图卷积层和多感受野卷积网络的示意图。如图4(a)所示,多感受野图卷积层能够聚合来自几个不同邻域的信息,并将特征融合为信息更加丰富的特征表示。具体过程为:首先,通过其包含的具有不同感受野的几个并行图卷积层聚合来自不同邻域的节点特征。接着,将这些由不同感受野图卷积层提取出来的特征按行拼接成一个新的特征矩阵,从而实现特征的融合。由多感受野图卷积层构造的多感受野图卷积网络如图4(b)所示,其由两层多感受野卷积层组成和两层全连接层组成。
在本实施例中,构造的多感受野图卷积层中有3个大小不同的感受野,即K1、K2和Kl分别取1,2和3。因此,构造的多感受野图卷积网络能够提取并融合来自三个不同尺度的节点特征。
图5是本发明实施例的5次齿轮传动系统故障实验的诊断结果的示意图。实验结果与两种模型进行了对比,即卷积神经网络和图卷积网络。同时,实验结果展示了5次实验中各个模型所取得的最大值,最小值和5次实验的均值,如表2所示:
表2
在本实施例中,多感受野图卷积网络提取的特征输入进全连接层,从而实现故障的分类和识别。从图5和表2的结果中可以发现,在每次实验中我们所提出的多感受野图卷积网络均能够取得最好的表现,从而验证所提方法的优越性。
图6是感受野数量对模型性能影响的示意图。根据该示意图可以寻找到多感受野图卷积网络的最佳感受野数量。
在本实施例中,我们将多感受野图卷积层中感受野的数量由1逐渐增加至10,观察其对故障诊断结果的影响。从图6中可以发现,随着感受野数量的增加,模型的性能先上升然后下降。同时,模型的训练时间也随着感受野数量的增加而增加,而当感受野数量取3的时候模型的性能最好且训练时间相对合适。因此,这说明了本方法选取感受野数量为3的合理性。
尽管以上结合附图对本发明的实施方案进行了描述,但本发明并不局限于上述的具体实施方案和应用领域,上述的具体实施方案仅仅是示意性的、指导性的,而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下,还可以做出很多种的形式,这些均属于本发明保护之列。
Claims (5)
1.一种基于多感受野图卷积网络的齿轮传动系统故障识别方法,包括如下步骤:
S100:将所采集的已知故障的齿轮传动系统的振动信号进行样本划分获得训练样本集,将训练样本集构造为第一关联图数据;将所采集的未知故障的齿轮传动系统的振动信号进行样本划分获得待测样本集,将待测样本集构造为第二关联图数据;其中,
步骤S100中,构造第一关联图数据包括以下步骤:
S201:将已知故障的齿轮传动系统的振动信号划分为多个长度为L的样本,并给每个样本分配相应的故障标签,由分配好故障标签的样本构成的训练样本集表示为:,其中,表示第个故障已知的样本,则表示与第i个样本对应的标签;
S203:计算节点特征矩阵 中每对节点之间的余弦相似度,将余弦相似度与阈值比对判断该对节点之间是否存在连接关系,若存在连接关系,则该对节点互为邻居节点,依次类推,将所有存在连接关系的邻居节点连接构成邻居矩阵 ,根据所获得的节点特征矩阵和邻居矩阵 ,则在数学上定义一个关联图;
S204:重复步骤S202和S203,直到遍历完训练样本集中的所有样本,则获得第一关联图数据;
步骤S100中,构造第二关联图数据包括以下步骤:
S2003:计算节点特征矩阵中每对节点之间的余弦相似度,将余弦相似度与阈值比对判断该对节点之间是否存在连接关系,若存在连接关系,则该对节点互为邻居节点,依次类推,将所有存在连接关系的邻居节点连接构成邻居矩阵,根据所获得的节点特征矩阵和邻居矩阵,则在数学上定义一个关联图;
S2004:重复步骤S2002和S2003,直到遍历完待测样本集中的所有样本,则获得第二关联图数据;
S200:构建由两层包含有大小不同的感受野的多感受野图卷积层和两层全连接层构成的多感受野图卷积网络,通过第一关联图数据对多感受野图卷积网络进行训练;
S300:将第二关联图数据输入训练后的多感受野图卷积网络,实现对未知故障的齿轮传动系统的故障识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110589776.1A CN113324754B (zh) | 2021-05-27 | 2021-05-27 | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110589776.1A CN113324754B (zh) | 2021-05-27 | 2021-05-27 | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113324754A CN113324754A (zh) | 2021-08-31 |
CN113324754B true CN113324754B (zh) | 2022-05-06 |
Family
ID=77422078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110589776.1A Active CN113324754B (zh) | 2021-05-27 | 2021-05-27 | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113324754B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113984389B (zh) * | 2021-12-01 | 2023-09-01 | 广西大学 | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 |
CN115127192B (zh) * | 2022-05-20 | 2024-01-23 | 中南大学 | 基于图神经网络的半监督的冷水机组故障诊断方法及系统 |
CN116151354B (zh) * | 2023-04-10 | 2023-07-18 | 之江实验室 | 网络节点的学习方法、装置、电子装置和存储介质 |
CN117474925B (zh) * | 2023-12-28 | 2024-03-15 | 山东润通齿轮集团有限公司 | 一种基于机器视觉的齿轮点蚀检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111397902A (zh) * | 2020-03-22 | 2020-07-10 | 华南理工大学 | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 |
CN111812507A (zh) * | 2020-05-27 | 2020-10-23 | 浙江工业大学 | 一种基于图卷积的电机故障诊断方法 |
CN111837141A (zh) * | 2018-05-23 | 2020-10-27 | 株式会社东芝 | 信息处理装置、信息处理方法以及存储介质 |
CN112465226A (zh) * | 2020-11-27 | 2021-03-09 | 上海交通大学 | 一种基于特征交互和图神经网络的用户行为预测方法 |
CN112633245A (zh) * | 2020-12-31 | 2021-04-09 | 西安交通大学 | 基于深度强化学习模型的行星齿轮箱故障诊断方法 |
CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
-
2021
- 2021-05-27 CN CN202110589776.1A patent/CN113324754B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111837141A (zh) * | 2018-05-23 | 2020-10-27 | 株式会社东芝 | 信息处理装置、信息处理方法以及存储介质 |
CN111397902A (zh) * | 2020-03-22 | 2020-07-10 | 华南理工大学 | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 |
CN111812507A (zh) * | 2020-05-27 | 2020-10-23 | 浙江工业大学 | 一种基于图卷积的电机故障诊断方法 |
CN112465226A (zh) * | 2020-11-27 | 2021-03-09 | 上海交通大学 | 一种基于特征交互和图神经网络的用户行为预测方法 |
CN112651167A (zh) * | 2020-12-02 | 2021-04-13 | 杭州电子科技大学 | 一种基于图神经网络的半监督滚动轴承故障诊断方法 |
CN112633245A (zh) * | 2020-12-31 | 2021-04-09 | 西安交通大学 | 基于深度强化学习模型的行星齿轮箱故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113324754A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113324754B (zh) | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 | |
CN111709448B (zh) | 一种基于迁移关系网络的机械故障诊断方法 | |
CN111721536B (zh) | 一种改进模型迁移策略的滚动轴承故障诊断方法 | |
CN112101085B (zh) | 一种基于重要性加权域对抗自适应的智能故障诊断方法 | |
CN113375941A (zh) | 高速动车组轴承的开集故障诊断方法 | |
CN113239610A (zh) | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 | |
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 | |
CN114970715A (zh) | 小样本及不平衡数据约束下的变工况故障诊断方法及系统 | |
Jiao et al. | A mixed adversarial adaptation network for intelligent fault diagnosis | |
CN113111832A (zh) | 一种基于空洞卷积神经网络的液压阀故障诊断方法 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN116011507A (zh) | 融合元学习与图神经网络的稀有故障诊断方法 | |
CN116401603A (zh) | 一种基于迁移学习的多模态轴承故障智能诊断方法 | |
CN116026593A (zh) | 跨工况的滚动轴承故障靶向迁移诊断方法及系统 | |
CN117034143A (zh) | 一种基于机器学习的分布式系统故障诊断方法及装置 | |
CN114241271B (zh) | 一种多孪生迁移学习融合多信息的机械故障智能诊断方法 | |
CN113092044B (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
CN110634198A (zh) | 一种基于正多胞体滤波的工业系统分层故障诊断方法 | |
CN114187272A (zh) | 一种基于深度学习的工业零件表面缺陷检测方法 | |
CN116977708B (zh) | 一种基于自适应聚合可视图的轴承智能诊断方法及系统 | |
CN110728377B (zh) | 一种面向机电设备的智能故障诊断方法及系统 | |
CN116756652A (zh) | 基于孪生神经网络的高超声速飞行器执行机构故障诊断方法 | |
CN114742199A (zh) | 一种基于注意力机制的神经网络宏架构搜索方法及系统 | |
CN115600134A (zh) | 基于域动态对抗自适应的轴承迁移学习故障诊断方法 | |
CN114926702A (zh) | 一种基于深度注意力度量的小样本图像分类方法 |
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 |