CN113673397A - 一种类加权对齐的局部域适应机械故障诊断方法 - Google Patents

一种类加权对齐的局部域适应机械故障诊断方法 Download PDF

Info

Publication number
CN113673397A
CN113673397A CN202110916027.5A CN202110916027A CN113673397A CN 113673397 A CN113673397 A CN 113673397A CN 202110916027 A CN202110916027 A CN 202110916027A CN 113673397 A CN113673397 A CN 113673397A
Authority
CN
China
Prior art keywords
domain
source
target
class
source 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
Application number
CN202110916027.5A
Other languages
English (en)
Other versions
CN113673397B (zh
Inventor
王金瑞
张骁
张宗振
韩宝坤
季珊珊
鲍怀谦
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202110916027.5A priority Critical patent/CN113673397B/zh
Publication of CN113673397A publication Critical patent/CN113673397A/zh
Application granted granted Critical
Publication of CN113673397B publication Critical patent/CN113673397B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种类加权对齐的局部域适应机械故障诊断方法，涉及旋转机械振动信号的故障诊断技术。本发明法首先采用卷积自动编码器提取源域和目标域的代表性特征，然后利用预训练源分类器的目标softmax输出，对跨两个域的共享类分配较大的权重，对无关类分配较小的权重，随后采用联合最大平均差异对跨域的全局特征进行对齐以最大限度地实现知识迁移，最后在共享分类器中插入一个域差异学习残差块来纠正和缓解域差异。通过域差异学习残差块。可以强制模型显式地学习域差异，既防止了特征可迁移性的减少，又便于从源域到目标域的域自适应，高效可靠的实现了不同工况下齿轮的故障特征迁移学习和智能诊断。

Description

一种类加权对齐的局部域适应机械故障诊断方法
技术领域
本发明涉及旋转机械振动信号的故障诊断技术，具体涉及一种类加权对齐的局部域适应机械故障诊断方法。
背景技术
近年来，深度学习在机械故障诊断中的应用取得了很大的进展。然而，大多数基于深度学习的方法要获得良好的诊断性能，前提是训练需要大量标记数据。这一要求在实际的诊断场景中很难满足，因为收集足够的标记数据是耗时、昂贵和费力的。同时，这些诊断方法通常都假定训练数据和测试数据来自相同的数据分布。由于复杂的工作条件和环境干扰，数据迁移不可避免。因此，在实际情况中这一假设并不总是满足，并可能会导致模型诊断性能的严重退化。研究和利用先进的新理论和新技术解决上述问题，是机械故障智能诊断的研究成果向工程应用转化的关键所在。
迁移学习为克服上述局限性提供了一个可靠的解决方案。迁移学习的基本任务是利用从有足够标记数据的源域中提取的知识来预测未标记的目标域的标记。目前迁移学习的基本方法可以分为四种，即基于实例的、基于特征的、基于参数/模型的和基于关系的。其中，基于实例的方法和基于特征的方法都使用域自适应来处理数据迁移问题。领域自适应可以学习可迁移的知识，并从源领域提取领域不变的特征。通过域适应，可以在源域和目标域之间建立知识转移的桥梁。大多数现有的基于域的自适应方法假定源域和目标域共享相同的标签空间，即源域和目标域具有完全相同的类。通过对齐对应类的数据分布或应用对抗性策略，可以缓解两个域之间的分布差异。然而，只有在标签空间完全相同的情况下，才能很容易地实现域自适应。如果两个域的标签空间是不对称的，则两个域之间的不相关类的样本会错误对齐，导致负迁移，从而降低模型的分类性能。
尽管期望源域包含尽可能多的已标记类，但在实际情况中很难找到与源域具有完全相同类的目标域。为了更接近实际情况，上述假设应该放宽。需要强调的是一种更实用、更具有挑战性的场景，即局部域自适应，即大规模源域能够完全覆盖小规模目标域所包含的类。此外，整个目标域是未标记的，我们无法获得目标类的大小和数量。传统的基于域的自适应方法可能会错误地将目标域的类与源域的不相关类对齐。因此，在局部域自适应场景中实现高效、精确的知识转移的关键是尽量减少源域不相关类对知识迁移的不利影响。
发明内容
本发明的目的是针对上述不足，提出了一种类加权对齐的局部域适应机械故障诊断方法。
本发明具体采用如下技术方案：
一种类加权对齐的局部域适应机械故障诊断方法，包括以下步骤：
(1)从试验台采集不同工况下齿轮箱各种健康状态的振动信号；
(2)通过等窗划分，将振动信号分割成样本，用大规模标记样本构造源域，用小规模未标记样本构造目标域；
(3)采用卷积自动编码器建立两个特征提取网络提取源域和目标域的样本特征；
(4)使用提取的源域样本特征预先训练源分类器，让源域样本和目标域样本通过式(1)得到源域分类损失：
Figure BDA0003205612820000021
其中，
Figure BDA0003205612820000022
为交叉熵损失函数；ns为源域的采样个数，E为特征提取器，C为分类器，
Figure BDA0003205612820000023
为源域样本，
Figure BDA0003205612820000024
为源域标签，i为第i个样本；
(5)将特征提取器输出的目标域样本输入到预先训练的源域分类器中，源域分类器输出作为预测权值，根据式(2)将预测权值转化为一个one-hot伪标签，利用该标签对目标样本进行分类：
Figure BDA0003205612820000025
其中，w表示平均预测权重，
Figure BDA0003205612820000026
表示伪标签，t表示目标域，j表示第j个目标域样本；
(6)根据式(3)计算各类权重：
Figure BDA0003205612820000027
其中，k表示类别；
(7)利用预训练源域分类器的目标softmax输出，对跨两个域的共享类分配较大的权重，对无关类分配较小的权重；
(8)在共享分类器中插入一个域差异学习残差块来纠正和缓解域差异，在每个类别中随机选取与目标域样本数量相同的源域样本进行类级对齐，输出类级对齐损失，如式(4)所示：
Figure BDA0003205612820000028
其中，D表示域差异学习残差块，MK-MMD表示多重核最大平均差异；
(9)采用联合最大平均差异对跨域的全局特征进行对齐以最大限度地实现全局级知识迁移，根据式(5)得到全局级对齐损失：
Figure BDA0003205612820000031
其中，JMMD表示联合最大平均差异，E(xs)和S(xs)表示源域数据的共享特征提取器和softmax层输出，E(xt)和S(xt)表示目标域数据的共享特征提取器和softmax层输出，n等于源域样本ns个数，k1(·,·)和k2(·,·)表示使用不同数量核的高斯核函数；
(10)将式(1)、(4)和(5)组合得到式(6)所示的总的损失函数：
L＝Ls+α*Lclass+β*Lglobal (6)
其中，α和β表示平衡损失Lclass和Lglobal的权衡参数。
本发明具有如下有益效果：
本发明通过卷积自动编码器提取源域和目标域的代表性特征，采用新的类加权对齐的局部域适应网络结构建立了深度迁移模型完成目标域数据到源域数据的特征迁移过程，高效可靠的实现齿轮了不同工况下的域不变特征提取和智能故障诊断，
附图说明
图1为类加权对齐的局部域适应机械故障诊断方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：
结合图1，一种类加权对齐的局部域适应机械故障诊断方法，包括以下步骤：
(1)从试验台采集不同工况下齿轮箱各种健康状态的振动信号。
(2)通过等窗划分，将振动信号分割成样本，用大规模标记样本构造源域，用小规模未标记样本构造目标域。
(3)采用卷积自动编码器建立两个特征提取网络提取源域和目标域的样本特征。
(4)使用提取的源域样本特征预先训练源分类器，让源域样本和目标域样本通过式(1)得到源域分类损失：
Figure BDA0003205612820000041
其中，
Figure BDA0003205612820000042
为交叉熵损失函数；ns为源域的采样个数，E为特征提取器，C为分类器，
Figure BDA0003205612820000043
为源域样本，
Figure BDA0003205612820000044
为源域标签，i为第i个样本。
(5)将特征提取器输出的目标域样本输入到预先训练的源域分类器中，源域分类器输出作为预测权值，根据式(2)将预测权值转化为一个one-hot伪标签，利用该标签对目标样本进行分类：
Figure BDA0003205612820000045
其中，w表示平均预测权重，
Figure BDA0003205612820000046
表示伪标签，t表示目标域，j表示第j个目标域样本。
(6)根据式(3)计算各类权重：
Figure BDA0003205612820000047
其中，k表示类别。
(7)利用预训练源域分类器的目标softmax输出，对跨两个域的共享类分配较大的权重，对无关类分配较小的权重。
(8)在共享分类器中插入一个域差异学习残差块来纠正和缓解域差异，在每个类别中随机选取与目标域样本数量相同的源域样本进行类级对齐，输出类级对齐损失，如式(4)所示：
Figure BDA0003205612820000048
其中，D表示域差异学习残差块，MK-MMD表示多重核最大平均差异。
(9)采用联合最大平均差异对跨域的全局特征进行对齐以最大限度地实现全局级知识迁移，根据式(5)得到全局级对齐损失：
Figure BDA0003205612820000049
其中，JMMD表示联合最大平均差异，E(xs)和S(xs)表示源域数据的共享特征提取器和softmax层输出，E(xt)和S(xt)表示目标域数据的共享特征提取器和softmax层输出，n等于源域样本ns个数，k1(·,·)和k2(·,·)表示使用不同数量核的高斯核函数。
(10)将式(1)、(4)和(5)组合得到式(6)所示的总的损失函数：
L＝Ls+α*Lclass+β*Lglobal (6)
其中，α和β表示平衡损失Lclass和Lglobal的权衡参数。
(11)测试过程：将目标域的测试数据输入训练模型并输出分类结果。
通过对一个特殊设计的齿轮故障试验台进行不同工况下的振动信号采集和智能诊断，对本发明记载的方法作进一步描述。
齿轮箱数据集包括7种齿轮健康状态的故障数据，即正常状态(NC)、太阳齿轮断裂(SF)、太阳齿轮点蚀(SP)、太阳齿轮磨损(SW)、行星齿轮断裂(PF)、行星齿轮点蚀(PP)和行星齿轮磨损(PW)。每一个齿轮故障都是由电火花加工造成的。数据采集的速度分别为1500(S1)、1800(S2)和2000(S3)rpm。因此，在工况1中执行了6个迁移任务，即S1→S2、S1→S3、S2→S1、S2→S3、S3→S1和S3→S2。变速箱的负载在0Nm～5Nm之间波动。每种健康条件下有1000个样本，每个样本有1200个数据点。为了避免实验结果的偶然性，每个迁移任务执行10次。为了模拟更多样化的局部域适配场景，在每个传输任务中随机丢弃目标域，丢弃不同类别的故障数据(S1→S2除外)。传输任务的具体描述如表1所示：
表(1)
Figure BDA0003205612820000051
为了验证本发明方法的优越性，选择了4种方法进行比较，其中包括两种自制的方法和两种最新的方法，如下所述：
(1)卷积自动编码器：这种自制的方法共享共享特征提取器的结构。但是该方法没有引入域自适应，也就是说该方法只接受标记源样本的训练，直接应用于目标样本的分类。
(2)类加权对齐网络：与提出的方法相比，该方法缺少全局特征对齐模块。仅选择自定义的特征对齐方法来验证全局级特征对齐的有效性。
(3)重要性加权对抗网络：该方法其中一个领域分类器用于量化每个源样本的重要性，另一个领域分类器用于优化目标样本的特征提取。
(4)加权对抗迁移网络：该方法采用对抗性训练进行特征学习和识别。此外，提出了一种加权学习策略来评估源样本的可移植性，该策略可以从不相关的类中剔除源样本。
本发明方法的具体参数设置见表2。在表2中，池化表示最大的池化操作；核尺寸＝5*8表示内核宽度设置为5，输出通道数为8；ReLU为整流线性单元；学习率设置为0.005，训练时迭代设置为500。反向传播采用随机梯度下降算法，其中动量设置为0.9，权值衰减为3×10-4。需要注意的是，权衡参数α和β的取值对所提出方法的诊断准确性有很大的影响。为了保证四种对比方法比较的公平性，我们在所提出的方法中设置了α＝0.5和β＝0.1。
表3显示了5种方法在6个迁移任务中的诊断准确性。通过定量分析可以得出一些结论。与其他四种基于迁移学习的方法相比，卷积自动编码器的平均准确率为72.5％，远远低于其他四种方法。这说明仅将源知识直接应用于目标数据的分类是不可行的，从侧面反映了迁移学习的重要性和必要性。在平均准确率方面，本发明方法比类加权对齐网络高3.7％，表明全局水平的特征对齐有利于提高模型的诊断性能。此外，在一些较难的迁移任务中，如S1→S3和S3→S1，本发明方法的诊断准确率明显高于类加权对齐网络，这只是因为在较难的任务中，加权类对齐不能帮助分类器实现与简单任务一样的分类精度。因此，为了保证满意的精度，需要进行全局层次的知识迁移。在传输任务S1→S3等传统的域适配场景中，除卷积自动编码器方法外，其他方法的诊断准确率均达到98.4％以上。通过实验验证了这些基于局部域的方法的泛化性能。这五种方法的准确性通常会随着目标域中的类数量的减少而降低。与两个先进的方法相比，重要性加权对抗网络和加权对抗迁移网络提议本发明方法性能更好的所有传输任务和本发明方法的平均标准偏差小于重要性加权对抗网络和加权对抗迁移网络，这意味着本发明方法的加权方法被证明是有效的并拥有优越的诊断稳定性。
表2
Figure BDA0003205612820000071
表3
Figure BDA0003205612820000072
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (1)

1.一种类加权对齐的局部域适应机械故障诊断方法，其特征在于，包括以下步骤：
(1)从试验台采集不同工况下齿轮箱各种健康状态的振动信号；
(2)通过等窗划分，将振动信号分割成样本，用大规模标记样本构造源域，用小规模未标记样本构造目标域；
(3)采用卷积自动编码器建立两个特征提取网络提取源域和目标域的样本特征；
(4)使用提取的源域样本特征预先训练源分类器，让源域样本和目标域样本通过式(1)得到源域分类损失：
Figure FDA0003205612810000011
其中，
Figure FDA0003205612810000012
为交叉熵损失函数；ns为源域的采样个数，E为特征提取器，C为分类器，
Figure FDA0003205612810000013
为源域样本，
Figure FDA0003205612810000014
为源域标签，i为第i个样本；
(5)将特征提取器输出的目标域样本输入到预先训练的源域分类器中，源域分类器输出作为预测权值，根据式(2)将预测权值转化为一个one-hot伪标签，利用该标签对目标样本进行分类：
Figure FDA0003205612810000015
其中，w表示平均预测权重，
Figure FDA0003205612810000016
表示伪标签，t表示目标域，j表示第j个目标域样本；
(6)根据式(3)计算各类权重：
Figure FDA0003205612810000017
其中，k表示类别；
(7)利用预训练源域分类器的目标softmax输出，对跨两个域的共享类分配较大的权重，对无关类分配较小的权重；
(8)在共享分类器中插入一个域差异学习残差块来纠正和缓解域差异，在每个类别中随机选取与目标域样本数量相同的源域样本进行类级对齐，输出类级对齐损失，如式(4)所示：
Figure FDA0003205612810000018
其中，D表示域差异学习残差块，MK-MMD表示多重核最大平均差异；
(9)采用联合最大平均差异对跨域的全局特征进行对齐以最大限度地实现全局级知识迁移，根据式(5)得到全局级对齐损失：
Figure FDA0003205612810000021
其中，JMMD表示联合最大平均差异，E(xs)和S(xs)表示源域数据的共享特征提取器和softmax层输出，E(xt)和S(xt)表示目标域数据的共享特征提取器和softmax层输出，n等于源域样本ns个数，k1(·,·)和k2(·,·)表示使用不同数量核的高斯核函数；
(10)将式(1)、(4)和(5)组合得到式(6)所示的总的损失函数：
L＝Ls+α*Lclass+β*Lglobal (6)
其中，α和β表示平衡损失Lclass和Lglobal的权衡参数。
CN202110916027.5A 2021-08-11 2021-08-11 一种类加权对齐的局部域适应机械故障诊断方法 Active CN113673397B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110916027.5A CN113673397B (zh) 2021-08-11 2021-08-11 一种类加权对齐的局部域适应机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110916027.5A CN113673397B (zh) 2021-08-11 2021-08-11 一种类加权对齐的局部域适应机械故障诊断方法

Publications (2)

Publication Number Publication Date
CN113673397A true CN113673397A (zh) 2021-11-19
CN113673397B CN113673397B (zh) 2023-12-05

Family

ID=78542174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110916027.5A Active CN113673397B (zh) 2021-08-11 2021-08-11 一种类加权对齐的局部域适应机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN113673397B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115630334A (zh) * 2022-10-26 2023-01-20 山东科技大学 基于cbam的多通道特征融合的跨域机械故障诊断方法及应用
CN116150668A (zh) * 2022-12-01 2023-05-23 中国矿业大学 一种基于双级对齐部分迁移网络的旋转设备故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612035A (zh) * 2020-04-18 2020-09-01 华为技术有限公司 训练迁移模型的方法、故障检测的方法以及装置
CN112183581A (zh) * 2020-09-07 2021-01-05 华南理工大学 基于自适应迁移神经网络的半监督机械故障诊断方法
CN112633339A (zh) * 2020-12-14 2021-04-09 华中科技大学 轴承故障智能诊断方法、诊断系统、计算机设备及介质
CN113065581A (zh) * 2021-03-18 2021-07-02 重庆大学 基于参数共享对抗域自适应网络的振动故障迁移诊断方法
CN113177448A (zh) * 2021-04-19 2021-07-27 西安交通大学 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612035A (zh) * 2020-04-18 2020-09-01 华为技术有限公司 训练迁移模型的方法、故障检测的方法以及装置
CN112183581A (zh) * 2020-09-07 2021-01-05 华南理工大学 基于自适应迁移神经网络的半监督机械故障诊断方法
CN112633339A (zh) * 2020-12-14 2021-04-09 华中科技大学 轴承故障智能诊断方法、诊断系统、计算机设备及介质
CN113065581A (zh) * 2021-03-18 2021-07-02 重庆大学 基于参数共享对抗域自适应网络的振动故障迁移诊断方法
CN113177448A (zh) * 2021-04-19 2021-07-27 西安交通大学 数模联合驱动的轴承混合工况无监督域适应诊断方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
廖剑;周绍磊;史贤俊;王朕;: "模拟电路故障特征降维方法", 振动.测试与诊断, no. 02, pages 1 - 2 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115630334A (zh) * 2022-10-26 2023-01-20 山东科技大学 基于cbam的多通道特征融合的跨域机械故障诊断方法及应用
CN115630334B (zh) * 2022-10-26 2024-05-03 山东科技大学 基于cbam的多通道特征融合的跨域机械故障诊断方法及应用
CN116150668A (zh) * 2022-12-01 2023-05-23 中国矿业大学 一种基于双级对齐部分迁移网络的旋转设备故障诊断方法
CN116150668B (zh) * 2022-12-01 2023-08-11 中国矿业大学 一种基于双级对齐部分迁移网络的旋转设备故障诊断方法

Also Published As

Publication number Publication date
CN113673397B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
CN111709448B (zh) 一种基于迁移关系网络的机械故障诊断方法
CN112149316B (zh) 基于改进的cnn模型的航空发动机剩余寿命预测方法
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN101907681B (zh) 基于gsd_svdd的模拟电路动态在线故障诊断方法
CN113673397A (zh) 一种类加权对齐的局部域适应机械故障诊断方法
CN107894564A (zh) 一种基于交叉小波特征的模拟电路故障诊断方法
Jamil et al. A deep boosted transfer learning method for wind turbine gearbox fault detection
CN110751207A (zh) 基于深度卷积域对抗迁移学习的故障诊断方法
CN104748962B (zh) 一种基于堆叠自动编码机的行星齿轮箱智能诊断方法
CN109635763B (zh) 一种人群密度估计方法
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
CN113240016A (zh) 一种基于深度学习的滚动轴承故障诊断方法
CN114216682A (zh) 一种基于tcn和bls的滚动轴承的寿命预测方法及装置
CN114970628B (zh) 样本不均衡下基于生成对抗网络的转动部件故障诊断方法
CN112633556A (zh) 一种基于混合模型的短期电力负荷预测方法
CN116071352A (zh) 一种电力安全工器具表面缺陷图像的生成方法
CN107451624A (zh) 基于正交化局部连接网络的机械装备健康状态识别方法
Liu et al. A novel wind turbine health condition monitoring method based on common features distribution adaptation
CN116861343A (zh) 一种轴承故障诊断方法
CN108548669B (zh) 一种工程装备传动系统故障诊断方法及系统
CN113343796B (zh) 一种基于知识蒸馏的雷达信号调制方式识别方法
CN115808312A (zh) 基于可变形卷积和Transformer的滚动轴承故障诊断方法
CN115165364A (zh) 基于迁移学习的风力发电机轴承故障诊断模型构建方法
CN114548153B (zh) 基于残差-胶囊网络的行星齿轮箱故障诊断方法
CN117475191A (zh) 一种特征对齐域对抗神经网络的轴承故障诊断方法

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
GR01 Patent grant
GR01 Patent grant