CN113341890A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113341890A CN113341890A CN202110483444.5A CN202110483444A CN113341890A CN 113341890 A CN113341890 A CN 113341890A CN 202110483444 A CN202110483444 A CN 202110483444A CN 113341890 A CN113341890 A CN 113341890A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- fault diagnosis
- data
- diagnosis data
- fault
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 340
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 46
- 230000003044 adaptive effect Effects 0.000 title claims description 25
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims description 48
- 238000013508 migration Methods 0.000 claims description 18
- 230000005012 migration Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 10
- 230000008014 freezing Effects 0.000 claims description 10
- 238000007710 freezing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 27
- 238000010187 selection method Methods 0.000 abstract description 13
- 238000013526 transfer learning Methods 0.000 abstract description 7
- 229910000831 Steel Inorganic materials 0.000 description 16
- 239000010959 steel Substances 0.000 description 16
- 238000012549 training Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 235000014594 pastries Nutrition 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000764238 Isis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种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，涉及智能制造技术领域。本发明通过基于参数共享的迁移学习方法，来解决因数据量少所导致的过拟合问题，缓解SMOTE采样所带来的分布扰动等问题，帮助提高故障诊断准确度；此外，提出基于KLIEP的数据选择方法，来降低不同工件故障诊断数据的分布差异，从而帮助进一步提高诊断结果准确度。
Description
技术领域
本发明涉及智能制造技术领域，具体涉及一种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。
背景技术
随着科技革命与产业变革不断地孕育兴起，制造业由电气化、信息化向智能化的不断过渡，而生产模式也从单一品种产品的大规模定制生产，逐渐演变成多品种、小批量的敏捷定制生产，从而快速响应市场的个性化需求。多品种、小批量的生产模式要求一条流水生产线能够同时生产多种结构相似的产品，从而大幅缩短生产周期，降低库存，增强对市场变化的适应力。然而在实际生产过程中，由于生产需求存在差异，部分工件存在生产批量较小的情况。此外，由于加工过程中所发生故障机理不同，不同故障类型发生的概率也存在差异，所得工件故障诊断数据通常也存在一定的数据不平衡问题。在这种情况下，采用传统分类方法，一方面会存在过拟合的问题，无法较好的捕捉真实数据分布的特征；另一方面，数据的不平衡特征也会导致分类方法倾向于多数类，因此所得诊断预测准确度较低。
为了应对上述问题，学者提出了基于SMOTE的Deep Neural Network(SMOTE-DNN)方法，通过利用SMOTE方法增加少数类数据集样本数的方法来平衡数据集类别，提高数据量，并在此基础上，利用DNN对平衡后的数据集进行学习。
虽然SMOTE-DNN利用SMOTE方法可一定程度上增加训练的数据量，但在SMOTE算法中，新样本的合成取决于对少数类样本以及邻近样本的选择。若所选样本处于少数类样本类别边缘，则由SMOTE算法所合成的样本也会接近这个边缘，且会使少数类样本整体更加边缘化。同时，若所选择样本混入噪声样本，则所合成样本可能落入多数类样本区域，从而扰乱数据集的原本分布。因此，当数据量较小时，现有基于SMOTE-DNN的智能诊断方法仅能一定程度上满足DNN对样本量的需求，对准确度的提升较为有限。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种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，解决了现有智能诊断方法诊断结果准确度低的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种面向自适应调度与无人生产线协同的智能诊断方法，包括：
S1、预处理相似工件故障诊断数据，所述相似工件故障诊断数据包括第一工件故障诊断数据和数据总量小于第一工件故障诊断数据的第二工件故障诊断数据，获取第一、第二工件对应的标准化故障诊断数据；
S2、根据第二工件对应的标准化故障诊断数据，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据；
S3、根据所述第一工件筛选后的故障诊断数据，采用深度学习方法构建诊断模型；
S4、过采样所述第二工件对应的标准化故障诊断数据，获取第二工件的合成故障诊断数据；
S5、根据所述诊断模型和合成故障诊断数据，采用参数迁移的方法，获取第二工件的故障诊断结果。
优选的，所述步骤S2具体包括：
S21、根据所述第一、第二工件对应的标准化故障诊断数据及各自对应的诊断数据密度，获取第一工件故障诊断数据的权重；
S22、根据所述权重和预设的筛选比例，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据。
优选的，所述步骤S22中根据所述权重和预设的筛选比例，对所述第一工件故障诊断数据中各类别数据分别进行筛选，获取所述各类别数据对应的标准化故障诊断子数据，合并各所述标准化故障诊断子数据，获取所述第一工件筛选后的故障诊断数据。
优选的，所述步骤S2中采用KLIEP算法筛选所述第一工件故障诊断数据；和/或
所述步骤S3中采用DNN算法构建诊断模型；和/或
所述步骤S4中采用SMOTE算法过采样所述第二工件对应的标准化故障诊断数据。
优选的，所述步骤S4具体包括：
S41、根据所述第二工件对应的标准化故障诊断数据中任一故障类别数据，采用欧氏距离计算公式，获取该故障类别数据的z个最近邻的数据样本；
S42、根据当前故障类别的样本数量，以及所述标准化故障诊断数据中最大样本数量故障类别的样本数量，确定采样倍率；
S43、根据采样倍率和当前故障类别数据，采用随机插值的方法，获取该故障类别对应的合成故障诊断子数据；所述合成故障诊断子数据样本数量与所述最大样本数量故障类别的样本数量相同；
S44、合成各故障类别对应的合成故障诊断子数据，获取第二工件的合成故障诊断数据。
优选的，所述参数迁移的方法具体包括：
不冻结所述诊断模型任何参数；或
冻结所述诊断模型第一隐含层参数；或
冻结所述诊断模型第一、第二隐含层参数。
优选的，所述步骤S44中采用随机插值的方法是指：
pi＝x+rand(0,1)*(vj-x),j＝1,2,...,r
其中，pi表示该故障类别对应的合成故障诊断子数据；rand(0,1)表示区间(0,1)中某个随机数，vj表示所述故障类别数据x的r个最近邻样本中的第j个，r表示采样倍率，即从其z个近邻中随机选取r个样本。
一种面向自适应调度与无人生产线协同的智能诊断系统，包括：
获取模块，用于预处理相似工件故障诊断数据，所述相似工件故障诊断数据包括第一工件故障诊断数据和数据总量小于第一工件故障诊断数据的第二工件故障诊断数据，获取第一、第二工件对应的标准化故障诊断数据；
筛选模块，用于根据第二工件对应的标准化故障诊断数据，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据；
构建模块，用于根据所述第一工件筛选后的故障诊断数据，采用深度学习方法构建诊断模型；
过采用模块，用于过采样所述第二工件对应的标准化故障诊断数据，获取第二工件的合成故障诊断数据；
诊断模块，用于根据所述诊断模型和合成故障诊断数据，采用参数迁移的方法，获取第二工件的故障诊断结果。
一种存储介质，其存储有面向自适应调度与无人生产线协同的智能诊断的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的面向自适应调度与无人生产线协同的智能诊断方法。
一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的面向自适应调度与无人生产线协同的智能诊断方法。
(三)有益效果
本发明提供了一种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。与现有技术相比，具备以下有益效果：
本发明包括预处理相似工件故障诊断数据，所述相似工件故障诊断数据包括第一工件故障诊断数据和数据总量小于第一工件故障诊断数据的第二工件故障诊断数据，获取第一、第二工件对应的标准化故障诊断数据；根据第二工件对应的标准化故障诊断数据，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据；根据所述第一工件筛选后的故障诊断数据，采用深度学习方法构建诊断模型；过采样所述第二工件对应的标准化故障诊断数据，获取第二工件的合成故障诊断数据；根据所述诊断模型和合成故障诊断数据，采用参数迁移的方法，获取第二工件的故障诊断结果。本发明通过基于参数共享的迁移学习方法，来解决因数据量少所导致的过拟合问题，缓解SMOTE采样所带来的分布扰动等问题，帮助提高故障诊断准确度；此外，提出基于 KLIEP的数据选择方法，来降低不同工件故障诊断数据的分布差异，从而帮助进一步提高诊断结果准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种面向自适应调度与无人生产线协同的智能诊断方法的流程示意图；
图2为本发明实施例提供的一种基于SMOTE算法生成合成故障诊断数据样本的示意图；
图3为本发明实施例提供的一种神经网络结构示意图；
图4为本发明实施例提供的三种参数迁移方法的对比示意图；
图5为本发明实施例提供的一种面向自适应调度与无人生产线协同的智能诊断系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
本申请实施例通过提供一种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，解决了现有智能诊断方法诊断结果准确度低的技术问题。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例包括预处理相似工件故障诊断数据，所述相似工件故障诊断数据包括第一工件故障诊断数据和数据总量小于第一工件故障诊断数据的第二工件故障诊断数据，获取第一、第二工件对应的标准化故障诊断数据；根据第二工件对应的标准化故障诊断数据，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据；根据所述第一工件筛选后的故障诊断数据，采用深度学习方法构建诊断模型；过采样所述第二工件对应的标准化故障诊断数据，获取第二工件的合成故障诊断数据；根据所述诊断模型和合成故障诊断数据，采用参数迁移的方法，获取第二工件的故障诊断结果。本发明实施例通过基于参数共享的迁移学习方法，来解决因数据量少所导致的过拟合问题，缓解 SMOTE采样所带来的分布扰动等问题，帮助提高故障诊断准确度；此外，提出基于KLIEP的数据选择方法，来降低不同工件故障诊断数据的分布差异，从而帮助进一步提高诊断结果准确度。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例：
如图1～4所示，本发明实施例提供了一种面向自适应调度与无人生产线协同的智能诊断方法，包括：
S1、预处理相似工件故障诊断数据，所述相似工件故障诊断数据包括第一工件故障诊断数据和数据总量小于第一工件故障诊断数据的第二工件故障诊断数据，获取第一、第二工件对应的标准化故障诊断数据；
S2、根据第二工件对应的标准化故障诊断数据，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据；
S3、根据所述第一工件筛选后的故障诊断数据，采用深度学习方法构建诊断模型；
S4、过采样所述第二工件对应的标准化故障诊断数据，获取第二工件的合成故障诊断数据；
S5、根据所述诊断模型和合成故障诊断数据，采用参数迁移的方法，获取第二工件的故障诊断结果。
本发明实施例通过基于参数共享的迁移学习方法，来解决因数据量少所导致的过拟合问题，缓解SMOTE采样所带来的分布扰动等问题，帮助提高故障诊断准确度；此外，提出基于KLIEP的数据选择方法，来降低不同工件故障诊断数据的分布差异，从而帮助进一步提高诊断结果准确度。
下面对本发明实施例各步骤展开说明：
S1、预处理相似工件故障诊断数据，所述相似工件故障诊断数据包括第一工件故障诊断数据和数据总量小于第一工件故障诊断数据的第二工件故障诊断数据，获取第一、第二工件对应的标准化故障诊断数据。
本发明实施例采集两种相似工件PS和PT的相似工件故障诊断数据。其中，实际生产中对PS的需求较多，PT则相对较少，因此PS的故障诊断数据也相对多于PT，则所述第一工件故障诊断数据为工件PS故障诊断数据，所述第二工件故障诊断数据为工件PT故障诊断数据。所述相似工件是指多品种、小批量的生产模式要求下一条流水生产线能够同时生产的结构相似的产品。
本发明实施例旨在以该情况为例，通过借助PS相对较为充分故障诊断数据的信息，解决PT因故障诊断数据不足、故障类型差异等导致的数据量小、不均衡等问题，进而提高对PT故障诊断的准确度。
由于工件的故障诊断数据往往包含多个特征，而各特征由于其本身物理意义不同，其量纲及量纲单位也存在一定差异。在个别情况下，数据量纲的差异可能对算法最终结果产生很大影响。因此，所述预处理过程包括数据标准化。
本发明实施例采用离差标准化对数据进行预处理；假设有故障诊断数据X＝{xn,n＝1,2,…N}，数据包含I个特征，则对于xn在第i个的特征值xn,i的标准化计算如式(1)所示。
根据公式(1)，得到第一、第二工件各自对应的故障诊断数据
和
S2、根据第二工件对应的标准化故障诊断数据，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据。
由于工件PS和PT型号不同，其故障诊断数据的分布也存在一定差异，当PS和PT数据分布差异过大时，直接利用PS工件故障诊断数据预训练的模型对工件PT故障诊断精度的提高可能有限，甚至可能导致其诊断精度下降，即负迁移现象。因此，为降低工件PS和PT诊断数据间分布差异，帮助提高对工件PT的诊断精度，本步骤提出一种数据选择方法，对PS诊断数据进行筛选。具体包括：
S21、根据所述第一、第二工件对应的标准化故障诊断数据
和
及各自对应的诊断数据密度pS(x)与pT(x)，获取第一工件故障诊断数据的权重。
令
为
的权重，使得加权后数据密度为
利用Kullback-Leibler Importance Estimation Procedure(KLIEP)方法，通过最小化数据间的Kullback-Leibler散度，从而确定
权重
其中，
αl为中间变量，cl表示
中随机选取的模板点，Kσ(x,cl)为高斯核函数，nS表示PS数据总量，b为模板点数量，b≤nT，其取值依赖于PT数据总量。
S22、根据所述权重
和预设的筛选比例f，对所述第一工件故障诊断数据中各类别数据分别进行筛选，采用KLIEP算法获取所述各类别数据对应的标准化故障诊断子数据，合并各所述标准化故障诊断子数据，获取所述第一工件筛选后的故障诊断数据
本步骤基于所得权重
对PS诊断数据
进行筛选。
为保留数据的类间差异性，可针对各类别对数据进行筛选。对于故障类别为k的数据
其权重对应为
令筛选比例为f(f∈[0,1])，则可按
大小对
中数据进行排序，进而筛选出
中最大的前
条数据，其中
表示故障类别为k 的数据总量。在对
中各个类别中数据进行筛选后，得到第一工件筛选后的故障诊断数据
S3、根据所述第一工件筛选后的故障诊断数据，采用深度学习方法构建诊断模型。
由于工件PT故障诊断数据相对较少，且存在不均衡等问题。直接基于PT的故障诊断数据训练模型，所得故障诊断准确度可能相对较低。因此，为了应对这一问题，本步骤利用所述第一工件筛选后的故障诊断数据
对诊断模型进行预训练。
如图2所示，本发明实施例采用深度神经网络(DNN)方法构建诊断模型，DNN也叫多层感知机，其中包括输入层、隐藏层与输出层。层与层之间采用全连接结构，即相邻层的神经元两两相连。输入层节点数取决于故障诊断数据的特征数，输出层节点数取决于工件故障类型数目。
本发明实施例假定工件PS与PT的故障诊断数据都包括I个特征，对应O种故障类型。则全连接神经网络模型可构建为(I,h1,h2,O)，其中h1、h2为隐藏层节点数目，实际应用中可按需要设定第一隐含层h1、第二隐含层h2。
S4、如图3所示，采用SMOTE算法过采样所述第二工件对应的标准化故障诊断数据，获取第二工件的合成故障诊断数据。
在工件制造过程中，不同类型的故障由于其起因不同，发生概率也存在差异，这导致工件故障诊断数据存在一定的不均衡问题。
为解决上述问题，本步骤针对加工量较小的工件PT，采用SMOTE 算法，对该工件的标准化故障诊断数据，即所述第二工件对应的标准化故障诊断数据
进行过采样。
为便于对所提出方法进行验证，该步骤仅对PT用于训练模型的故障诊断数据进行过采样。由上述可知，工件PT对应的标准化故障诊断数据为
划分为训练集为
测试集为
针对
设其中样本数最多的类别为c，则数据过采样方法流程如下：
S41、根据第二工件对应的标准化故障诊断数据中任一故障类别数据，采用如下欧氏距离计算公式，获取该故障类别数据的z个最近邻的数据样本。
其中，I表示第二工件对应的标准化故障诊断数据的特征维度，v 表示与x同故障类别的其他故障诊断数据。
S42、根据当前故障类别的样本数量，以及所述标准化故障诊断数据中最大样本数量故障类别的样本数量，确定采样倍率。
本步骤对于当前样本类别k(k＝1,…,O)，计算采样倍率
与
分别表示工件PT的训练集
中故障类别为c 及k的样本数量。
S43、根据采样倍率和当前故障类别数据，采用随机插值的方法，获取该故障类别对应的合成故障诊断子数据；所述合成故障诊断子数据样本数量与所述最大样本数量故障类别的样本数量相同。
本步骤对于故障诊断数据
从其z个近邻中随机选取对应预设数量r个样本
对于任一随机
利用式(4)构建新样本；从而使得
中各类别样本数与多数类保持一致。
pi＝x+rand(0,1)*(vj-x),j＝1,2,...,r (4)
其中，pi表示该故障类别对应的合成故障诊断子数据；rand(0,1)表示区间(0,1)中某个随机数，vj表示所述故障类别数据x的r个最近邻样本中的第j个，r表示采样倍率，即从其z个近邻中随机选取r个样本。
S44、合成各故障类别对应的合成故障诊断子数据，获取第二工件的合成故障诊断数据。
将
中各类别样本，即
中各故障类别对应的合成故障诊断子数据进行合并，最终得到第二工件对应的合成故障诊断数据
即过采样后的故障诊断数据
S5、根据所述诊断模型和合成故障诊断数据，采用参数迁移的方法，获取第二工件的故障诊断结果。
如图4所示，所述参数迁移的方法具体包括：
不冻结所述诊断模型任何参数；或冻结所述诊断模型第一隐含层参数；或冻结所述诊断模型第一、第二隐含层参数。其中，优选的为冻结所述诊断模型第一隐含层参数。
不难理解的是神经网络本身是一个黑盒子，可解释性较差。但由于其本身拥有较好的层次结构，可以尝试从神经网络的层次结构对神经网络方法进行解释。神经网络在对图像的学习过程中，浅层的网络大多检测到图像的边缘、纹理等基本信息，而深层的网络则会学到图像更加具体的结构、物体等信息。换言之，神经网络浅层倾向于学习通用的特征，而随着层数的加深，网络倾向于学习任务特定的特征。
因此，由于工件PS与PT的型号相近，当利用工件PS较为充分的故障诊断数据训练出一个故障诊断模型后，该神经网络模型的浅层所学习到的特征可能也适用于工件PT，帮助缓解由于数据量不足所带来的过拟合问题。基于这一思想，本发明实施例采用参数迁移的方法—— Finetune，基于工件PS筛选后的标准化故障诊断数据
所训练的神经网络模型，优选冻结第一层隐含层的参数，保留浅层的特征，并利用所述第二工件的合成故障诊断数据
对网络进行进一步训练，使其更聚焦于PT的具体的特征，调整后的模型可以大大提高数据总量较少的第二工件PT的故障的诊断准确度。
本发明实施例通过基于参数共享的迁移学习方法，来解决因数据量少所导致的过拟合问题，缓解SMOTE采样所带来的分布扰动等问题，帮助提高故障诊断准确度。
下面还将结合具体的实施例分步说明本发明实施例的具体内容：
本发明实施例以钢板的故障诊断为例：基于UCI数据库中的钢板故障诊断数据对所提出方法的有效性进行检验。
UCI钢板故障诊断数据包括两种类型的钢板故障诊断数据：A300 与A400，其型号较为相近，并都存在7种可能的故障类型，包括Pastry、 Z_Scratch、K_Scatch、Stains、Dirtiness、Bumps与Other Faults。
A300与A400故障诊断数据具体分布如表1所示：
表1 A300与A400故障诊断数据分布情况
| 故障类型 | A300 | A400 |
| Pastry | 38 | 109 |
| Z_Scratch | 60 | 18 |
| K_Scatch | 12 | 390 |
| Stains | 12 | 71 |
| Dirtiness | 9 | 46 |
| Bumps | 99 | 123 |
| Other_Faults | 94 | 407 |
| 总计 | 324 | 1164 |
故障诊断数据涉及25个独立变量，包括X_Minimum、X_Maximum、 Y_Minimum、Y_Maximum、Pixels_Areas、X_Perimeter、Y_Perimeter等。
如表1所示，A400型号钢板诊断数据较多，与上述第一工件故障诊断数据对应；A300型号数据较少，与上述第二工件故障诊断数据对应。若仅利用A300故障诊断数据训练诊断模型准确度可能较低。因此以A300型号钢板故障诊断数据作为目标域数据PT，A400型号钢板故障诊断数据作为源域数据PS，利用A400较为充裕的诊断数据帮助提高模型对A300故障诊断的准确度，其中PS与PT诊断数据分别表示为 XT与XS。
钢板故障诊断数据中，不同特征上值的量纲存在一定差异，如表2 所示。
表2 钢板故障诊断数据部分特征值
如表2所示，钢板故障诊断数据量纲差异较大，直接利用该数据训练故障诊断模型将对模型准确度造成一定影响。因此，本发明实施采用公式(1)中离差标准化方法对故障诊断数据进行处理，将其统一到[0, 1]的区间中，以消除特征值变化幅度过大的影响，如表3所示。
表3 钢板故障诊断数据部分标准化特征值
根据上述公式(1)中离差标准化方法，得到A400与A300两种型号钢板所得标准化诊断数据
和
为降低工件PS和PT诊断数据间分布差异，帮助提高对工件PT的诊断精度，利用上文所提出的基于KLIEP的数据选择方法，对PS诊断数据进行筛选，其中模板点数量b设为100，筛选比例f设为0.8。最终得到PS筛选后的诊断数据
为利用钢板A400的诊断数据帮助提高对A300的故障诊断准确度，首先利用A400筛选后的诊断数据
训练得到一个DNN模型(25， 100，50，7)，如图2所示。
随后，对A300的筛选后诊断数据
进行划分，取80％作为训练集，20％作为测试集，分别表示为
与
采用SMOTE方法，对
进行过采样，使得各类别样本量保持均衡，得到采样后的数据
基于A300过采样后的诊断数据
对利用
预训练的模型进行进一步的训练。
为对比分析对神经网络的微调效果，如图4(a)-(c)所示，本发明实施例分别设计了三种微调的情况，包括：
1)不冻结参数，仅利用已训练模型对参数进行初始化，表示为DS- STF(N)；
2)冻结第一层的参数，表示为DS-STF(L1)；
3)冻结第一、二层的参数，表示为DS-STF(L12)。
对三种情况分别进行实验，并通过式(4)所给出准确率(Accuracy) 计算公式度量方法效果。
其中，A表示模型预测钢板A300故障类型正确的个数，而B表示钢板A300样本总个数。
实验结果如表4所示，其中SMOTE-DNN表示对A300诊断数据进行过采样后利用A300数据训练所得模型。
表4 三种情况下模型微调效果对比结果
| 微调设定 | Accu |
| DS-STF(N) | 63.8462±3.9273 |
| DS-STF(L1) | 68.4615±1.8095 |
| DS-STF(L12) | 66.2564±1.1188 |
| SMOTE-DNN | 57.1795±3.3491 |
由表4可知，在情况1)中，利用A400故障诊断数据训练模型后，当仅利用所训练模型对参数进行初始化，模型诊断准确度为63.8462。
在情况3)中，当同时冻结第一、二层的参数，模型同时保留了A300 与A400的通用特征与部分A400的特有特征，故障诊断准确度有一定的提高。
而在情况2)中，当仅冻结第一层参数时，经过采样数据微调后的模型诊断准确度最高，说明在保留工件通用特征的基础上，利用A300 过采样的诊断数据能最大程度帮助模型捕获A300的特征。
由表4第4行可知(直接利用SMOTE-DNN方法训练模型的情形)，当钢板A300诊断数据量有限时，直接利用SMOTE-DNN方法所训练模型诊断准确度相对较低。而利用A400筛选后诊断数据对模型进行预训练后，在三种微调措施下，准确度都有着一定的提高，说明借助A400筛选后诊断数据帮助提升对A300故障诊断准确度是可行的。
同时，为验证本发明实施例所提出数据选择方法的有效性，分别对比了不同情况下，采用所提出数据选择方法与否对实验结果的影响，如表5所示，其中DS-STF表示采用数据选择方法对A400诊断数据进行筛选后利用筛选后A400与A300诊断数据训练所的模型，STF表示不采用数据选择方法利用A400与A300诊断数据训练所得模型。
表5 数据选择对故障诊断准确度影响实验结果
| 方法 | Accu | 方法 | Accu |
| DS-STF(N) | 63.8462±3.9273 | STF(N) | 61.6410±3.8704 |
| DS-STF(L1) | 68.4615±1.8095 | STF(L1) | 65.4359±2.6863 |
| DS-STF(L12) | 66.2564±1.1188 | STF(L12) | 62.9231±0.6089 |
由表5可得，在上述实施例中三种实验场景(N、L1与L12)下， DS-STF的准确度始终高于STF，说明所提出数据选择方法有效的降低了不同工件数据分布间差异，从而帮助提高模型对A300工件数据的诊断准确度。
此外，本发明实施例为了分析SMOTE过采样对模型准确度的影响，针对不同情形分别进行了对比试验。
实验结果如表6所示，其中DNN表示不对A300诊断数据进行过采样时仅利用A300数据训练所得模型，SMOTE-DNN表示对A300诊断数据进行过采样后利用A300数据训练所得模型。
表6 SMOTE过采样对方法准确度影响实验结果
| 方法 | Accu |
| DNN | 63.6923±2.9620 |
| SMOTE-DNN | 57.1795±3.3491 |
| DS-STF(L1) | 68.4615±1.8095 |
由表6可得，当仅利用DNN模型学习A300故障诊断数据时，对 A300数据进行过采样后，模型准确度下降，说明直接对数据进行过采样时，可能会存在边缘模糊、分布扰动等问题，从而降低模型准确度。
而借助A400筛选后诊断数据帮助预训练模型后，再利用A300过采样数据对模型进行微调后，准确度得到了大幅提高。证明A400筛选后诊断数据所预训练的模型可一定程度上缓解过采样过程中可能存在的分布扰动问题，帮助进一步提高模型准确度。
制造系统中，自适应调度与无人生产线的协同可帮助动态、快速重组已有的生产力，从而可针对工件结构相似、品种多样类型的加工需求，灵活调整资源供给，帮助实现生产效率最大化。
在这一背景下，由于工件需求存在差异，存在部分型号工件生产数量有限的情况，且由于故障类型不同，所得诊断数据也存在一定的不均衡现象。因此，为应对这些问题，本发明实施例提出了上述面向多品种、小批量工件的智能诊断方法。
原有技术在对少样本进行学习时，基于过采样技术所得数据对模型准确度提高有限。因此本发明实施例拟基于迁移学习的方法，在存在型号相近工件数据的情况下，利用型号相近的其他工件的故障诊断数据帮助训练DNN模型，并利用当前工件的数据对所训练模型进行微调，从而基于数据量较多工件的分布信息，进一步适配当前工件的分布特征，一定程度上解决SMOTE过采样过程中可能导致的分布扰动问题，并帮助解决由于当前工件数据不足所导致的故障诊断模型过拟合问题。
同时，当不同数据间分布差异过大时，应用迁移学习所得模型精度可能不高甚至下降，即负迁移现象。针对这一问题，本发明实施例提出上述数据选择的方法，帮助对型号相近工件的数据进行筛选，降低不同工件数据间分布差异，从而帮助进一步提高诊断准确度
第二方面，本发明实施例还提供了一种面向自适应调度与无人生产线协同的智能诊断系统，包括：
获取模块，用于预处理相似工件故障诊断数据，所述相似工件故障诊断数据包括第一工件故障诊断数据和数据总量小于第一工件故障诊断数据的第二工件故障诊断数据，获取第一、第二工件对应的标准化故障诊断数据；
筛选模块，用于根据第二工件故障诊断数据总量，筛选所述第一工件故障诊断数据，获取第一工件对应的标准化故障诊断数据；
构建模块，用于根据所述第一工件筛选后的故障诊断数据，采用深度学习方法构建诊断模型；
过采用模块，用于过采样所述第二工件对应的标准化故障诊断数据，获取第二工件的合成故障诊断数据；
诊断模块，用于根据所述诊断模型和合成故障诊断数据，采用参数迁移的方法，获取第二工件的故障诊断结果。
可理解的是，本发明实施例提供的面向自适应调度与无人生产线协同的智能诊断系统与上述面向自适应调度与无人生产线协同的智能诊断方法相对应，其有关内容的解释、举例、有益效果等部分可以参考面向自适应调度与无人生产线协同的智能诊断方法中的相应内容，此处不再赘述。
第三方面，本发明实施例还提供了一种存储介质，其存储有面向自适应调度与无人生产线协同的智能诊断的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的面向自适应调度与无人生产线协同的智能诊断方法。
第四方面，本发明实施例提供了一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的面向自适应调度与无人生产线协同的智能诊断方法。
综上所述，与现有技术相比，具备以下有益效果：
本发明实施例包括预处理相似工件故障诊断数据，所述相似工件故障诊断数据包括第一工件故障诊断数据和数据总量小于第一工件故障诊断数据的第二工件故障诊断数据，获取第一、第二工件对应的标准化故障诊断数据；根据第二工件对应的标准化故障诊断数据，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据；根据所述第一工件筛选后的故障诊断数据，采用深度学习方法构建诊断模型；过采样所述第二工件对应的标准化故障诊断数据，获取第二工件的合成故障诊断数据；根据所述诊断模型和合成故障诊断数据，采用参数迁移的方法，获取第二工件的故障诊断结果。本发明实施例通过基于参数共享的迁移学习方法，来解决因数据量少所导致的过拟合问题，缓解 SMOTE采样所带来的分布扰动等问题，帮助提高故障诊断准确度；此外，提出基于KLIEP的数据选择方法，来降低不同工件故障诊断数据的分布差异，从而帮助进一步提高诊断结果准确度。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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精神和范围。
Claims (10)
1.一种面向自适应调度与无人生产线协同的智能诊断方法，其特征在于，包括：
S1、预处理相似工件故障诊断数据，所述相似工件故障诊断数据包括第一工件故障诊断数据和数据总量小于第一工件故障诊断数据的第二工件故障诊断数据，获取第一、第二工件对应的标准化故障诊断数据；
S2、根据第二工件对应的标准化故障诊断数据，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据；
S3、根据所述第一工件筛选后的故障诊断数据，采用深度学习方法构建诊断模型；
S4、过采样所述第二工件对应的标准化故障诊断数据，获取第二工件的合成故障诊断数据；
S5、根据所述诊断模型和合成故障诊断数据，采用参数迁移的方法，获取第二工件的故障诊断结果。
2.如权利要求1所述的智能诊断方法，其特征在于，所述步骤S2具体包括：
S21、根据所述第一、第二工件对应的标准化故障诊断数据及各自对应的诊断数据密度，获取第一工件故障诊断数据的权重；
S22、根据所述权重和预设的筛选比例，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据。
3.如权利要求2所述的智能诊断方法，其特征在于，所述步骤S22中根据所述权重和预设的筛选比例，对所述第一工件故障诊断数据中各类别数据分别进行筛选，获取所述各类别数据对应的标准化故障诊断子数据，合并各所述标准化故障诊断子数据，获取所述第一工件筛选后的故障诊断数据。
4.如权利要求1所述的智能诊断方法，其特征在于，所述步骤S2中采用KLIEP算法筛选所述第一工件故障诊断数据；和/或
所述步骤S3中采用DNN算法构建诊断模型；和/或
所述步骤S4中采用SMOTE算法过采样所述第二工件对应的标准化故障诊断数据。
5.如权利要求4所述的智能诊断方法，其特征在于，所述步骤S4具体包括：
S41、根据所述第二工件对应的标准化故障诊断数据中任一故障类别数据，采用欧氏距离计算公式，获取该故障类别数据的z个最近邻的数据样本；
S42、根据当前故障类别的样本数量，以及所述标准化故障诊断数据中最大样本数量故障类别的样本数量，确定采样倍率；
S43、根据采样倍率和当前故障类别数据，采用随机插值的方法，获取该故障类别对应的合成故障诊断子数据；所述合成故障诊断子数据样本数量与所述最大样本数量故障类别的样本数量相同；
S44、合成各故障类别对应的合成故障诊断子数据，获取第二工件的合成故障诊断数据。
6.如权利要求4所述的智能诊断方法，其特征在于，所述参数迁移的方法具体包括：
不冻结所述诊断模型任何参数；或
冻结所述诊断模型第一隐含层参数；或
冻结所述诊断模型第一、第二隐含层参数。
7.如权利要求5所述的智能诊断方法，其特征在于，所述步骤S44中采用随机插值的方法是指：
pi＝x+rand(0,1)*(vj-x),j＝1,2,...,r
其中，pi表示该故障类别对应的合成故障诊断子数据；rand(0,1)表示区间(0,1)中某个随机数，vj表示所述故障类别数据x的r个最近邻样本中的第j个，r表示采样倍率，即从其z个近邻中随机选取r个样本。
8.一种面向自适应调度与无人生产线协同的智能诊断系统，其特征在于，包括：
获取模块，用于预处理相似工件故障诊断数据，所述相似工件故障诊断数据包括第一工件故障诊断数据和数据总量小于第一工件故障诊断数据的第二工件故障诊断数据，获取第一、第二工件对应的标准化故障诊断数据；
筛选模块，用于根据第二工件对应的标准化故障诊断数据，筛选所述第一工件故障诊断数据，获取第一工件筛选后的故障诊断数据；
构建模块，用于根据所述第一工件筛选后的故障诊断数据，采用深度学习方法构建诊断模型；
过采用模块，用于过采样所述第二工件对应的标准化故障诊断数据，获取第二工件的合成故障诊断数据；
诊断模块，用于根据所述诊断模型和合成故障诊断数据，采用参数迁移的方法，获取第二工件的故障诊断结果。
9.一种存储介质，其特征在于，其存储有面向自适应调度与无人生产线协同的智能诊断的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～7任一项所述的面向自适应调度与无人生产线协同的智能诊断方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～7任一项所述的面向自适应调度与无人生产线协同的智能诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110483444.5A CN113341890A (zh) | 2021-04-30 | 2021-04-30 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110483444.5A CN113341890A (zh) | 2021-04-30 | 2021-04-30 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113341890A true CN113341890A (zh) | 2021-09-03 |
Family
ID=77469387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110483444.5A Pending CN113341890A (zh) | 2021-04-30 | 2021-04-30 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113341890A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783335A (zh) * | 2020-06-26 | 2020-10-16 | 北京航空航天大学 | 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 |
| CN111985158A (zh) * | 2020-08-18 | 2020-11-24 | 安徽大学 | 一种基于迁移学习的电液伺服阀故障诊断方法及系统 |
| CN112329520A (zh) * | 2020-09-23 | 2021-02-05 | 西南交通大学 | 基于生成对抗学习的货车轴承故障识别方法 |
| CN112418175A (zh) * | 2020-12-09 | 2021-02-26 | 北京信息科技大学 | 基于域迁移的滚动轴承故障诊断方法、系统及存储介质 |
| CN112598026A (zh) * | 2020-12-07 | 2021-04-02 | 东北大学 | 基于不平衡数据深度学习的连退生产过程故障诊断方法 |
-
2021
- 2021-04-30 CN CN202110483444.5A patent/CN113341890A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783335A (zh) * | 2020-06-26 | 2020-10-16 | 北京航空航天大学 | 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 |
| CN111985158A (zh) * | 2020-08-18 | 2020-11-24 | 安徽大学 | 一种基于迁移学习的电液伺服阀故障诊断方法及系统 |
| CN112329520A (zh) * | 2020-09-23 | 2021-02-05 | 西南交通大学 | 基于生成对抗学习的货车轴承故障识别方法 |
| CN112598026A (zh) * | 2020-12-07 | 2021-04-02 | 东北大学 | 基于不平衡数据深度学习的连退生产过程故障诊断方法 |
| CN112418175A (zh) * | 2020-12-09 | 2021-02-26 | 北京信息科技大学 | 基于域迁移的滚动轴承故障诊断方法、系统及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 张振良 等: "基于半监督迁移学习的轴承故障诊断方法", 《北京航空航天大学学报》 * |
| 曹宁: "小样本深度学习在轴承故障诊断系统中的研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 毛冠通 等: "基于迁移学习的滚动轴承在线故障诊断", 《航空科学技术》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | A visual long-short-term memory based integrated CNN model for fabric defect image classification | |
| CN105224872B (zh) | 一种基于神经网络聚类的用户异常行为检测方法 | |
| CN111862093A (zh) | 一种基于图像识别的腐蚀等级信息处理方法及系统 | |
| CN111783841B (zh) | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 | |
| CN109583474B (zh) | 一种用于工业大数据处理的训练样本生成方法 | |
| CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| Becerra et al. | Neural and wavelet network models for financial distress classification | |
| CN112819063B (zh) | 一种基于改进的Focal损失函数的图像识别方法 | |
| CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
| CN113155464B (zh) | 面向轴承故障识别的cnn模型可视化优化方法 | |
| CN110634060A (zh) | 一种用户信用风险的评估方法、系统、装置及存储介质 | |
| CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
| CN112164033A (zh) | 一种基于异常特征编辑的对抗网络纹理表面缺陷检测方法 | |
| CN110991247B (zh) | 一种基于深度学习与nca融合的电子元器件识别方法 | |
| CN112330153A (zh) | 基于非线性正交回归的行业规模预测模型建模方法及装置 | |
| Cheung et al. | Hybrid evolution of convolutional networks | |
| Liu et al. | Stock price trend prediction model based on deep residual network and stock price graph | |
| Rethik et al. | Attention Based Mapping for Plants Leaf to Classify Diseases using Vision Transformer | |
| CN108694375B (zh) | 一种可用于多电子鼻平台的图像化白酒识别方法 | |
| CN113341890A (zh) | 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 | |
| CN116776245A (zh) | 一种基于机器学习的三相逆变器设备故障诊断方法 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN114238852A (zh) | 运营数据的分析方法、装置、存储介质及电子设备 | |
| CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
| Amalia et al. | The Application of Modified K-Nearest Neighbor Algorithm for Classification of Groundwater Quality Based on Image Processing and pH, TDS, and Temperature Sensors |
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 |