CN113591553A - 一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法 - Google Patents
一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法 Download PDFInfo
- Publication number
- CN113591553A CN113591553A CN202110680097.5A CN202110680097A CN113591553A CN 113591553 A CN113591553 A CN 113591553A CN 202110680097 A CN202110680097 A CN 202110680097A CN 113591553 A CN113591553 A CN 113591553A
- Authority
- CN
- China
- Prior art keywords
- fault
- data set
- data
- source domain
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02K—JET-PROPULSION PLANTS
- F02K9/00—Rocket-engine plants, i.e. plants carrying both fuel and oxidant therefor; Control thereof
- F02K9/96—Rocket-engine plants, i.e. plants carrying both fuel and oxidant therefor; Control thereof characterised by specially adapted arrangements for testing or measuring
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法,首先获取数据扩充预处理后的源域数据和目标域中的振动数据,进行数据拼接后获得二维时频图故障数据集,并进行源域故障特征数据集初始化权值赋予,进行全连接层参数微调,并根据最大均值差异法衡量故障特征数据集距离,通过加权优化及约束对全连接层的参数再次进行优化,分类训练后获取分类预测模型,最后通过Dropout方法防止训练过拟合及优化训练过程,优化分类预测模型,对目标域故障特征数据集F2进行诊断分类预测,获取涡轮泵故障分类预测结果。
Description
技术领域
本发明涉及一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法,属于机械故障诊断技术领域。
背景技术
在发动机试车中,涡轮泵可能出现不同类型的故障,并且给发动机带来不良后果,甚至导致发动机试车失败,而近年来,国内外航天火箭发射失败大多都是由发动机涡轮泵故障导致。涡轮泵作为航天火箭发动机中的核心部件,其重要性不言而喻,如果涡轮泵出现故障,就能直接导致涡轮泵寿命丧失,运载火箭损害和飞行任务失败,影响整个航天火箭机组的正常运行,甚至造成更大的经济损失和人员伤亡。因此,对涡轮泵进行故障诊断,对保证航天火箭发动机的正常运行,提高航天领域的技术发展都有十分重要的意义。
然而,传统的故障诊断方法都是依靠专家的经验人为分析,采用人工特征提取,存在一定的缺陷。同时,由于航天火箭发动机涡轮泵工作环境极其复杂,很难获得涡轮泵的故障信号,获取到的故障信号数量和种类都少之又少,小样本问题很难充分学习到数据样本的有效特征,严重影响故障诊断的准确性。
发明内容
本发明解决的技术问题是:针对目前现有技术中,传统故障诊断方法采用人工特征提取存在缺陷的问题,提出了一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法,。
本发明解决上述技术问题是通过如下技术方案予以实现的:
一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法,步骤如下:
(1)根据历史试车故障数据样本集A进行归一化、去噪预处理,并将处理所得数据作为源域数据,根据发射故障数据样本集B进行归一化、去噪预处理,并将处理所得数据作为目标域数据,将源域数据、目标域数据中的振动数据进行数据扩充预处理,对预处理后的振动信号通过数据拼接获取二维时频图故障数据集;
(2)切入Alex net神经网络预训练模型,将卷积层所有参数冰封,并初始化全连接层参数,提取步骤(1)所得二维时频图隐含特征,构造源域故障特征数据集F1、目标域故障特征数集F2,并对源域故障特征数据集赋予初始化权值,以赋予权值后源域故障特征数据集作为训练域数据对全连接层参数进行微调;
(3)根据最大均值差异法确定源域故障特征数据集F1和目标域故障特征数据集F2的距离,对源域故障特征数据集初始化权值进行加权优化和约束,使用加权处理的源域故障特征数据集对全连接层的参数进行优化,进行分类训练获取分类预测模型;
(4)通过Dropout法防止训练过拟合,并优化训练过程,对步骤(3)所得分类预测模型进行优化,对目标域故障特征数据集F2进行诊断分类预测,获取涡轮泵故障分类预测结果。
所述步骤(1)中,扩充预处理具体为:
水平翻转、镜像处理、图像明暗度调整。
所述步骤(1)中,对预处理后的振动信号通过数据拼接,将一维振动信号数据进行有序拼接,根据预定维度转换为二维时频图。
所述步骤(2)中,源域故障特征数据集F1、目标域故障特征数集F2,并对源域故障特征数据集赋予初始化权值的具体步骤如下:
(2-1)提取二维时频图数据集中的隐含特征,构造所述时频域特征的源域故障特征数据集F1={S1,S2,S3,…,Sp}、目标域故障特征数集F2={T1,T2,T3,…,Tq};
其中,Sp为第p组故障状态振动信号对应的时频域特征组成的第p组特征源域数据集;Tq为第q组故障状态振动信号对应的时频域特征组成的第q组特征目标域数据集;
(2-2)对源域故障特征数据集赋予初始化权值,其中:
时频域特征的源域故障特征数据集F1={S1,S2,S3,…,Sp},初始化权值为W1={C1,C2,C3,…,CP},以赋予权值后源域故障特征数据集FF1={C1*S1,C2*S2,C3*S3,…,CP*Sp}作为训练域数据对全连接层的参数进行微调。
所述步骤(3)中,通过最大均值差异法确定源域故障特征数据集F1={S1,S2,S3,…,Sp}与目标域故障特征数据集F2={T1,T2,T3,…,Tq}间距离大小,其中,最大均值差异法公式具体为:
式中,X为满足P分布的源域数据集,Y为满足Q分布的目标域数据集,n、m分别为特征源域及目标域的样本数目,Φ为空间映射函数,φ(xi)和φ(yi)为希尔伯特空间的数据投影。
所述最大均值差异法公式计算所得最大均值差异值,对源域故障特征数据集进行权值优化和约束,更新后的源域数据集权值为W2={X1*C1,X2*C2,X3*C3,…,XP*CP}。
本发明与现有技术相比的优点在于:
本发明提供的一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法,基于小样本权值优化的涡轮泵迁移学习故障,通过引入卷积神经网络的预训练模型,极大的减少了算法计算量,充分利用大数据的通用特征,包含了不同域之间不同分布自适应加权的最大均值差异法处理,能有效增强相似域之间的关联性,易从故障信号提取故障特征信息,实现了目标域为小样本下的故障诊断的要求,同时使用Alex net神经网络预训练模型减少了庞大的计算量,最终的预测诊断模型也具有更好的鲁棒性和更高的准确率。
附图说明
图1为发明提供的涡轮泵迁移学习故障智能判定方法流程图;
图2为发明提供的深度学习和迁移学习网络处理流程图;
具体实施方式
一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法,基于卷积神经网络和迁移学习,可有效处理小样本故障数据,提取故障特征信息,精确诊断故障类型,具体方法步骤如下:
步骤1、获取少量的历史试车故障数据样本集A归一化和去噪预处理后作为源域数据,获取极少量的发射故障数据样本集B归一化和去噪预处理后作为目标域数据。将源域数据和目标域中的振动数据进行数据扩充,包括水平翻转,镜像和图像明暗度调整,对预处理后的振动信号采用数据拼接的方法,获取到二维的时频图故障数据集;
步骤2、切入Alex net神经网络预训练模型,冰封卷积层的所有参数,初始化全连接层参数。提取二维时频图隐含特征,构造源域故障特征数据集F1和目标域故障特征数集F2,并对源域故障特征数据集赋予初始化权值。从而对全连接层的参数进行微调;
步骤3、根据最大均值差异法(MMD)衡量源域故障特征数据集F1和目标域故障特征数据集F2的距离,对源域故障特征数据集初始化权值进行加权优化和约束,使用加权处理的源域故障特征数据集对全连接层的参数再次进行优化,进行分类训练得到分类预测模型;
步骤4、使用Dropout方法防止训练过拟合及优化训练过程,优化分类预测y模型。对目标域故障特征数据集F2进行诊断分类预测,得到涡轮泵故障分类预测结果。
进一步设置是所述步骤S2中,切入Alex net神经网络预训练模型,这个模型的结构是五个卷积层,三个全连接层,Softmax层和诊断输出层(预测故障类别)。在卷积层之间,包括ReLu激活函数和最大池化层(max-pooling)。
激活函数ReLu为:
f(x)=max(0,x)
最大池化层(max-pooling)是计算pool区域中的最大值;
对源域故障特征数据集赋予初始化权值。所述时频域特征的源域数据集F1={S1,S2,S3,…,Sp},初始化权值为W1={C1,C2,C3,…,CP}。首次采用初始化权值后的源域故障特征数据集FF1={C1*S1,C2*S2,C3*S3,…,CP*Sp}作为训练域数据对三个全连接层进行参数微调。
进一步设置是所述步骤S3中,具体的,采用最大均值差异法(MMD)来衡量目标域数据集F2={T1,T2,T3,…,Tq}和源域数据集F1={S1,S2,S3,…,Sp}之间的距离大小。最大均值差异法公式为:
其中X是来自满足P分布的源域数据集,Y是来自满足Q分布目标域数据集。n,m分别是特征源域和目标域的样本数目,Φ是空间映射函数,φ(xi)和φ(yi)表示将数据投影到希尔伯特空间。根据上述计算所得的最大均值差异值,对源域数据集进行权值优化和约束,W2={X1*C1,X2*C2,X3*C3,…,XP*CP},赋予权值后使得与目标域数据更靠近的源域数据所占的权值越大,与目标域数据差异较大的源域数据所占的权值越小。作为训练域数据对全连接层的参数进行微调。
基于小样本权值优化的涡轮泵迁移学习故障智能诊断方法,所述故障诊断方法通过引入卷积神经网络的预训练模型,极大的减少了算法计算量,能够实现目标域为小样本下的故障诊断的要求,同时使用Alex net神经网络预训练模型减少了庞大的计算量,最终的预测诊断模型也具有更好的鲁棒性和更高的准确率。
下面结合具体实施例进行进一步说明:
在本实施例中,如图1、图2所示,使用基于源域故障特征数据集权值优化的方法,具体包括以下步骤:
步骤1、获取少量的历史试车故障数据样本集A归一化和去噪预处理后作为源域数据,获取极少量的发射故障数据样本集B归一化和去噪预处理后作为目标域数据。将源域数据和目标域中的振动数据进行数据扩充,包括水平翻转,镜像和图像明暗度调整,对预处理后的振动信号采用数据拼接的方法,获取到二维的时频图故障数据集;
步骤2、切入Alex net神经网络预训练模型,这个模型的结构是五个卷积层,三个全连接层,Softmax层和诊断输出层(预测故障类别)。在卷积层之间,包括ReLu激活函数和最大池化层(max-pooling)。
激活函数ReLu为:
f(x)=max(0,x) (1)
最大池化层(max-pooling)是计算pool区域中的最大值;
提取二维时频图隐含特征,构造源域故障特征数据集F1和目标域故障特征数集F2,取二维时频图数据集中的隐含特征,构造所述时频域特征的源域数据集F1={S1,S2,S3,…,Sp},其中Sp表示所述第p组故障状态振动信号对应的时频域特征共同组成的第p组特征源域数据集,同理,可构造所述时频域特征的目标域数据集F2={T1,T2,T3,…,Tq},其中Tq表示所述第q组故障状态振动信号对应的时频域特征共同组成的第q组特征目标域数据集;
对源域故障特征数据集赋予初始化权值。所述时频域特征的源域数据集F1={S1,S2,S3,…,Sp},初始化权值为W1={C1,C2,C3,…,CP}。首次采用初始化权值后的源域故障特征数据集FF1={C1*S1,C2*S2,C3*S3,…,CP*Sp}作为训练域数据对三个全连接层进行参数微调。
步骤3、根据最大均值差异法(MMD)衡量源域故障特征数据集F1和目标域故障特征数据集F2的距离,具体的,采用最大均值差异法(MMD)来衡量小样本下目标域数据集F2={T1,T2,T3,…,Tq}和源域数据集F1={S1,S2,S3,…,Sp}之间的距离大小。最大均值差异法公式为:
其中X是来自满足P分布的源域数据集,Y是来自满足Q分布目标域数据集。n,m分别是特征源域和目标域的样本数目,Φ是空间映射函数,φ(xi)和φ(yi)表示将数据投影到希尔伯特空间。
根据上述计算所得的最大均值差异值,对源域数据集进行权值优化和约束,更新后的源域数据集权值为W2={X1*C1,X2*C2,X3*C3,…,XP*CP},使得与目标域数据更靠近的源域数据所占的权值越大。对源域故障特征数据集初始化权值进行加权优化和约束,使用加权处理的源域故障特征数据集对全连接层的参数再次进行优化,进行分类训练得到分类预测模型;
步骤4、使用Dropout方法防止训练过拟合及优化训练过程,优化分类预测y模型。对目标域故障特征数据集F2进行诊断分类预测,得到涡轮泵故障分类预测结果。
本实施例的方法一方面包含了卷积神经网络预训练模型Alexnet,将由Image数据集预训练成熟的卷积层参数冰封,充分利用大数据的通用特征提取;另一方面,还包含了不同域之间不同分布自适应加权的最大均值差异法处理,能有效增强相似域之间的关联性,易从故障信号提取故障特征信息,提高故障诊断的精准度。
本发明虽然已以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰,均属于本发明技术方案的保护范围。
本发明说明书中未作详细描述的内容属于本领域技术人员的公知技术。
Claims (6)
1.一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法,其特征在于步骤如下:
(1)根据历史试车故障数据样本集A进行归一化、去噪预处理,并将处理所得数据作为源域数据,根据发射故障数据样本集B进行归一化、去噪预处理,并将处理所得数据作为目标域数据,将源域数据、目标域数据中的振动数据进行数据扩充预处理,对预处理后的振动信号通过数据拼接获取二维时频图故障数据集;
(2)切入Alex net神经网络预训练模型,将卷积层所有参数冰封,并初始化全连接层参数,提取步骤(1)所得二维时频图隐含特征,构造源域故障特征数据集F1、目标域故障特征数集F2,并对源域故障特征数据集赋予初始化权值,以赋予权值后源域故障特征数据集作为训练域数据对全连接层参数进行微调;
(3)根据最大均值差异法确定源域故障特征数据集F1和目标域故障特征数据集F2的距离,对源域故障特征数据集初始化权值进行加权优化和约束,使用加权处理的源域故障特征数据集对全连接层的参数进行优化,进行分类训练获取分类预测模型;
(4)通过Dropout法防止训练过拟合,并优化训练过程,对步骤(3)所得分类预测模型进行优化,对目标域故障特征数据集F2进行诊断分类预测,获取涡轮泵故障分类预测结果。
2.根据权利要求1所述的一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法,其特征在于:
所述步骤(1)中,扩充预处理具体为:
水平翻转、镜像处理、图像明暗度调整。
3.根据权利要求1所述的一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法,其特征在于:
所述步骤(1)中,对预处理后的振动信号通过数据拼接,将一维振动信号数据进行有序拼接,根据预定维度转换为二维时频图。
4.根据权利要求1所述的一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法,其特征在于:
所述步骤(2)中,源域故障特征数据集F1、目标域故障特征数集F2,并对源域故障特征数据集赋予初始化权值的具体步骤如下:
(2-1)提取二维时频图数据集中的隐含特征,构造所述时频域特征的源域故障特征数据集F1={S1,S2,S3,…,Sp}、目标域故障特征数集F2={T1,T2,T3,…,Tq};
其中,Sp为第p组故障状态振动信号对应的时频域特征组成的第p组特征源域数据集;Tq为第q组故障状态振动信号对应的时频域特征组成的第q组特征目标域数据集;
(2-2)对源域故障特征数据集赋予初始化权值,其中:
时频域特征的源域故障特征数据集F1={S1,S2,S3,…,Sp},初始化权值为W1={C1,C2,C3,…,CP},以赋予权值后源域故障特征数据集FF1={C1*S1,C2*S2,C3*S3,…,CP*Sp}作为训练域数据对全连接层的参数进行微调。
6.根据权利要求5所述的一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法,其特征在于:
所述最大均值差异法公式计算所得最大均值差异值,对源域故障特征数据集进行权值优化和约束,更新后的源域数据集权值为W2={X1*C1,X2*C2,X3*C3,…,XP*CP}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110680097.5A CN113591553B (zh) | 2021-06-18 | 2021-06-18 | 一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110680097.5A CN113591553B (zh) | 2021-06-18 | 2021-06-18 | 一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591553A true CN113591553A (zh) | 2021-11-02 |
CN113591553B CN113591553B (zh) | 2023-07-18 |
Family
ID=78244016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110680097.5A Active CN113591553B (zh) | 2021-06-18 | 2021-06-18 | 一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591553B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902745A (zh) * | 2021-12-10 | 2022-01-07 | 山东捷瑞数字科技股份有限公司 | 基于图像处理的商用车变速箱精准故障识别方法及装置 |
CN115392315A (zh) * | 2022-08-31 | 2022-11-25 | 济南永信新材料科技有限公司 | 一种基于可转移特征的齿轮箱故障检测方法 |
CN117034143A (zh) * | 2023-10-10 | 2023-11-10 | 南京邮电大学 | 一种基于机器学习的分布式系统故障诊断方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
-
2021
- 2021-06-18 CN CN202110680097.5A patent/CN113591553B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200285900A1 (en) * | 2019-03-06 | 2020-09-10 | Wuhan University | Power electronic circuit fault diagnosis method based on optimizing deep belief network |
WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN111626345A (zh) * | 2020-05-15 | 2020-09-04 | 北京航空航天大学 | 不同轴承设备之间的多阶段深度卷积迁移学习故障诊断方法 |
CN111898095A (zh) * | 2020-07-10 | 2020-11-06 | 佛山科学技术学院 | 深度迁移学习智能故障诊断方法、装置、存储介质和设备 |
Non-Patent Citations (1)
Title |
---|
毛冠通;洪流;王景霖;: "基于迁移学习的滚动轴承在线故障诊断", 航空科学技术, no. 01 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902745A (zh) * | 2021-12-10 | 2022-01-07 | 山东捷瑞数字科技股份有限公司 | 基于图像处理的商用车变速箱精准故障识别方法及装置 |
CN115392315A (zh) * | 2022-08-31 | 2022-11-25 | 济南永信新材料科技有限公司 | 一种基于可转移特征的齿轮箱故障检测方法 |
CN117034143A (zh) * | 2023-10-10 | 2023-11-10 | 南京邮电大学 | 一种基于机器学习的分布式系统故障诊断方法及装置 |
CN117034143B (zh) * | 2023-10-10 | 2023-12-15 | 南京邮电大学 | 一种基于机器学习的分布式系统故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113591553B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598881B (zh) | 基于变分自编码器的图像异常检测方法 | |
CN113591553A (zh) | 一种基于小样本权值优化的涡轮泵迁移学习故障智能判定方法 | |
CN107016681B (zh) | 基于全卷积网络的脑部mri肿瘤分割方法 | |
CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
CN112149316A (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN111724478A (zh) | 一种基于深度学习的点云上采样方法 | |
CN111810124B (zh) | 一种基于特征重标定残差卷积神经网络模型的抽油机井故障诊断方法 | |
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 | |
Wang et al. | Intelligent fault diagnosis for planetary gearbox using transferable deep q network under variable conditions with small training data | |
CN110543916B (zh) | 一种缺失多视图数据的分类方法及系统 | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
CN110082738B (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN115510926B (zh) | 跨机型的柴油机燃烧室故障诊断方法及系统 | |
CN108596044B (zh) | 基于深度卷积神经网络的行人检测方法 | |
CN114842343A (zh) | 一种基于ViT的航空图像识别方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN116384224A (zh) | 一种基于条件化参数动态卷积神经网络的航空发动机寿命预测方法 | |
CN114511521B (zh) | 基于多重表示与多重子域自适应的轮胎瑕疵检测方法 | |
CN116304546A (zh) | 基于声音信号的供热系统热力站故障诊断方法及系统 | |
CN114740726A (zh) | 基于深度最优特征传输的工业过程小样本故障诊断方法 | |
CN114357372A (zh) | 一种基于多传感器数据驱动的飞机故障诊断模型生成方法 | |
CN112560252B (zh) | 一种航空发动机剩余寿命预测方法 | |
CN113625336A (zh) | 一种基于全卷积神经网络的地震波阻抗薄层反演方法 | |
CN116092005A (zh) | 鱼的识别方法、系统、计算机设备及存储介质 | |
CN112990279B (zh) | 基于自动编码器的雷达高分辨距离像库外目标拒判方法 |
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 |