CN114326655A - 工业机器人故障数据生成方法、系统、终端以及存储介质 - Google Patents

工业机器人故障数据生成方法、系统、终端以及存储介质 Download PDF

Info

Publication number
CN114326655A
CN114326655A CN202111443103.1A CN202111443103A CN114326655A CN 114326655 A CN114326655 A CN 114326655A CN 202111443103 A CN202111443103 A CN 202111443103A CN 114326655 A CN114326655 A CN 114326655A
Authority
CN
China
Prior art keywords
fault data
industrial robot
real
discriminator
generating
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
CN202111443103.1A
Other languages
English (en)
Inventor
郭媛君
杨之乐
安钊
刘祥飞
冯伟
王尧
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.)
Zhongke Hangmai CNC Software Shenzhen Co Ltd
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202111443103.1A priority Critical patent/CN114326655A/zh
Priority to PCT/CN2021/137927 priority patent/WO2023097774A1/zh
Publication of CN114326655A publication Critical patent/CN114326655A/zh
Pending legal-status Critical Current

Links

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • 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
    • 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)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

本申请涉及一种工业机器人故障数据生成方法、系统、终端以及存储介质。所述方法包括：提取工业机器人的真实故障数据，根据故障类别为所述真实故障数据标注类别标签，将所述类别标签作为条件信息与所述真实故障数据一起生成真实故障数据集；将所述真实故障数据集输入条件对抗生成网络进行训练，得到训练好的生成对抗模型；根据所述训练好的生成对抗模型生成不同类别的工业机器人故障数据。本申请实施例提高了故障数据的生成质量，扩展了工业机器人核心部件的故障数据，有助于提高工业机器人的运行状态监测效率与系统故障诊断的准确度。

Description

工业机器人故障数据生成方法、系统、终端以及存储介质
技术领域
本申请属于机械工程技术领域，特别涉及一种工业机器人故障数据生成方法、系统、终端以及存储介质。
背景技术
近年来，工业机器人在神经网络、机器视觉等技术的加持下，朝着高度拟人化与智能化方向发展。由于工业机器人可以昼夜不停的高效率生产，保证企业整个产品生产系统的安全、使工业机器人保持高效工作状态也得到了企业与研究人员的普遍重视。对于企业来说，一旦工业机器人的系统发生故障，会导致整条生产线的生产停滞。如果故障机器人得不到及时的维修处理，机器人故障可能会演变成巨大的生产事故，甚至对企业工作人员的生命安全造成威胁。由于机器人故障会造成无法预知的后果，开展工业机器人故障诊断系统的研究，减少企业在处理工业机器人故障所消耗的人力物力资源显得尤为重要。
故障诊断技术研究的是机器或机组运行状态的变化在诊断信息中的反应。然而，从工业机器人得到的故障数据大多数属于正常工况下的数据，仅有少量的故障前兆数据，有效可用的工业机器人故障数据非常稀少，这将在很大程度上影响深度神经网络的训练效果，导致获得的工业机器人故障诊断模型因泛化能力弱与表达能力不足而无法实际应用。
现有的故障数据生成技术大多都是利用迁移学习或者常规的生成对抗式网络进行数据生成。迁移学习的缺点在于通常只适合于处理有限的小数据集，且其他领域的“知识”在某个特定领域并不一定可行。常规的生成对抗网络利用生成器与判断器相互对抗学习来进行训练，生成的故障数据与实际故障数据存在较大的分布差异。
发明内容
本申请提供了一种工业机器人故障数据生成方法、系统、终端以及存储介质，旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题，本申请提供了如下技术方案：
一种工业机器人故障数据生成方法，包括：
提取工业机器人的真实故障数据，根据故障类别为所述真实故障数据标注类别标签，将所述类别标签作为条件信息与所述真实故障数据一起生成真实故障数据集；
将所述真实故障数据集输入条件对抗生成网络进行训练，得到训练好的生成对抗模型；
根据所述训练好的生成对抗模型生成不同类别的工业机器人故障数据。
本申请实施例采取的技术方案还包括：所述将所述类别标签作为条件信息与所述真实故障数据一起生成真实故障数据集包括：
对所述真实故障数据进行时频域特征提取，根据提取的特征形成真实故障数据集；
对所述真实故障数据进行故障类别分类，并为所述真实故障数据集中的每个真实故障数据打上类别标签；
对所述类别标签进行条件化处理，将所述条件化处理后的类别标签作为条件信息和所述真实故障数据组成新的真实故障数据集。
本申请实施例采取的技术方案还包括：所述将所述真实故障数据集输入条件对抗生成网络进行训练包括：
将所述真实故障数据和条件信息输入条件对抗生成网络的生成器进行训练，通过所述生成器生成不同类别的仿真故障数据；
将所述仿真故障数据与条件信息一同输入判别器进行训练，通过判别器输出判别结果。
本申请实施例采取的技术方案还包括：所述将所述真实故障数据集输入条件对抗生成网络进行训练还包括：
采用随机梯度下降法对所述判别器进行更新，并基于超参数k判断所述判别器的训练次数是否达到k次，如果没有达到k次，则再次对所述判别器进行训练；如果达到k次，
采用随机梯度下降法对所述生成器进行更新，并重新对所述生成器进行训练。
本申请实施例采取的技术方案还包括：所述采用随机梯度下降法对所述判别器进行更新具体为：
通过加上随机梯度对所述判别器进行更新。
本申请实施例采取的技术方案还包括：所述采用随机梯度下降法对所述生成器进行更新具体为：
通过减去随机梯度对所述生成器进行更新。
本申请实施例采取的技术方案还包括：所述条件对抗生成网络的损失函数为：
Figure BDA0003383278820000041
其中，D代表判别器，G代表生成器，y代表条件信息，G(z|y)代表条件信息与噪声信号一起输入到生成器G中，D(G(z|y)))代表生成器G生成的仿真故障数据再输出到判别器D中判别真伪，D(x|y)代表真实故障数据x与条件信息y一起输入到判别器D中判别真伪；
Figure BDA0003383278820000042
代表经过判别器D判断后该数据来自于真实故障数据的概率，
Figure BDA0003383278820000043
代表经过判别器D判断后该数据来自于生成器G生成的仿真故障数据的概率；log为对数。
本申请实施例采取的另一技术方案为：一种工业机器人故障数据生成系统，包括：
数据提取模块：用于提取工业机器人的真实故障数据，根据故障类别为所述真实故障数据标注类别标签，将所述类别标签作为条件信息与所述真实故障数据一起生成真实故障数据集；
模型训练模块：用于将所述真实故障数据集输入条件对抗生成网络进行训练，得到训练好的生成对抗模型；
数据生成模块：用于根据所述训练好的生成对抗模型生成不同类别的工业机器人故障数据。
本申请实施例采取的又一技术方案为：一种终端，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现所述工业机器人故障数据生成方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制工业机器人故障数据生成。
本申请实施例采取的又一技术方案为：一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行所述工业机器人故障数据生成方法。
相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的工业机器人故障数据生成方法、系统、终端以及存储介质通过对不同类别的真实故障数据打上类别标签，将类别标签作为条件信息输入到条件生成对抗网络中，以此控制条件生成对抗网络生成不同类别的工业机器人核心部件故障数据，使得生成数据可控，提高了故障数据的生成质量，扩展了工业机器人核心部件的故障数据，有助于提高工业机器人的运行状态监测效率与系统故障诊断的准确度。同时，本申请实施例通过引入超参数k，使得判别器的训练速度加快，条件生成对抗网络的训练效率更高。
附图说明
图1是本申请实施例的工业机器人故障数据生成方法的流程图；
图2为本申请实施例的工业机器人故障数据生成系统结构示意图；
图3为本申请实施例的终端结构示意图；
图4为本申请实施例的存储介质的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
针对现有技术的不足，本申请实施例的工业机器人故障数据生成方法使用基于条件对抗生成网络生成故障数据，该方法采用了“博弈论”的思想，根据条件生成对抗网络的结构特性，将少量的真实故障数据与故障类别标签通过条件生成对抗网络进行对抗训练，最终得到一个强大的生成对抗模型，进而通过生成对抗模型生成与工业机器人的真实故障数据结构分布相似的故障数据，解决了工业机器人故障数据不足的问题，提高了工业机器人故障诊断模型的泛化能力和表达能力，同时增强了工业机器人故障诊断模型的实用性。
具体地，请参阅图1，是本申请实施例的工业机器人故障数据生成方法的流程图。本申请实施例的工业机器人故障数据生成方法包括以下步骤：
S10：提取工业机器人核心部件的真实故障数据，对真实故障数据进行分类，根据分类结果为各个真实故障数据打上类别标签，将类别标签作为条件信息与真实故障数据一起生成真实故障数据集；
本步骤中，真实故障数据集的生成过程具体包括以下步骤：
S11：对提取的真实故障数据进行时频域特征提取，根据提取的特征形成真实故障数据集；
S12：对真实故障数据进行故障类别分类，并为真实故障数据集中的每个真实故障数据打上类别标签；
S13：对类别标签进行条件化处理，将类别标签作为条件信息与真实故障数据一同组成新的真实故障数据集；
其中，类别标签的条件化处理方式具体为：将类别标签进行数字化，例如：将第一类故障数据命名为1、第二类故障数据命名为2，以此类推，从而在将真实故障数据与条件化处理后的标签信息一起输入条件对抗生成网络。
S20：将真实故障数据集输入条件对抗生成网络进行训练，通过条件对抗生成网络的生成器将输入的真实故障数据和条件信息组成联合隐层表征，并生成不同类别的仿真故障数据；
本步骤中，条件对抗生成网络的生成对抗损失为损失函数，通过损失函数衡量生成器生成的仿真故障数据和标注的真实故障数据之间的分布误差，并对生成器和判别器进行优化。该损失函数定义为：
Figure BDA0003383278820000071
其中，D代表判别器，G代表生成器，y代表条件信息(类别标签)，G(z|y)代表条件信息与噪声信号一起输入到生成器G中，D(G(z|y)))代表生成器G生成的仿真故障数据再输出到判别器D中判别真伪，D(x|y)代表真实故障数据x与条件信息y一起输入到判别器D中判别真伪。
Figure BDA0003383278820000072
代表经过判别器D判断后该数据来自于真实故障数据的概率，
Figure BDA0003383278820000073
代表经过判别器D判断后该数据来自于随机噪声生成器G生成的仿真故障数据的概率。本申请实施例选取最大最小策略进行网络训练，使得判别器D判别真伪的能力越来越强，生成器G的生成质量越来越和真实故障数据x相似。加入对数log是为了方便计算。
S30：将生成器生成的仿真故障数据与条件信息一同输入判别器进行训练，通过判别器输出判别结果；
S40：通过优化器采用随机梯度下降法对判别器进行更新；
本步骤中，优化器通过加上随机梯度来更新判别器。
S50：基于超参数k判断判别器的训练次数是否达到k次，如果没有达到k次，则重新执行S30；如果达到k次，则执行S60；
S60：通过优化器采用随机梯度下降法对生成器进行更新，并重新执行S20；
本申请实施例中，优化器通过减去随机梯度来更新生成器。本申请实施例通过引入超参数k，先训练k次判别器，再训练1次生成器，直到生成器生成的仿真故障数据与真实故障数据的分布差异逐渐减小判别器判断生成的故障数据与真实数据的差异，使网络输出的生成故障数据与真实故障数据的分布差异逐渐减小。通过加速训练更新判别器，使得条件对抗生成网络收敛更快。
S70：循环执行S20至S60，直到条件对抗生成网络的训练次数达到预设次数，得到训练好的生成对抗模型；
S80：将随机噪声与条件化处理后的类别标签输入到训练好的生成对抗模型，通过生成对抗模型生成不同类别的与工业机器人的真实故障数据结构分布相似的故障数据。
基于上述，本申请实施例的工业机器人故障数据生成方法通过对不同类别的真实故障数据打上类别标签，将类别标签作为条件信息输入到条件生成对抗网络中，以此控制条件生成对抗网络生成不同类别的工业机器人核心部件故障数据，使得生成数据可控，提高了故障数据的生成质量，扩展了工业机器人核心部件的故障数据，有助于提高工业机器人的运行状态监测效率与系统故障诊断的准确度。同时，本申请实施例通过引入超参数k，使得判别器的训练速度加快，条件生成对抗网络的训练效率更高。
请参阅图2，为本申请实施例的工业机器人故障数据生成系统结构示意图。本申请实施例的工业机器人故障数据生成系统40包括：
数据提取模块41：用于提取工业机器人的真实故障数据，根据故障类别为真实故障数据标注类别标签，将类别标签作为条件信息与真实故障数据一起生成真实故障数据集；
模型训练模块42：用于将真实故障数据集输入条件对抗生成网络进行训练，得到训练好的生成对抗模型；
数据生成模块43：用于根据训练好的生成对抗模型生成不同类别的工业机器人故障数据。
请参阅图3，为本申请实施例的终端结构示意图。该终端50包括处理器51、与处理器51耦接的存储器52。
存储器52存储有用于实现上述工业机器人故障数据生成方法的程序指令。
处理器51用于执行存储器52存储的程序指令以控制工业机器人故障数据生成。
其中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
请参阅图4，为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种工业机器人故障数据生成方法，其特征在于，包括：
提取工业机器人的真实故障数据，根据故障类别为所述真实故障数据标注类别标签，将所述类别标签作为条件信息与所述真实故障数据一起生成真实故障数据集；
将所述真实故障数据集输入条件对抗生成网络进行训练，得到训练好的生成对抗模型；
根据所述训练好的生成对抗模型生成不同类别的工业机器人故障数据。
2.根据权利要求1所述的工业机器人故障数据生成方法，其特征在于，所述将所述类别标签作为条件信息与所述真实故障数据一起生成真实故障数据集包括：
对所述真实故障数据进行时频域特征提取，根据提取的特征形成真实故障数据集；
对所述真实故障数据进行故障类别分类，并为所述真实故障数据集中的每个真实故障数据打上类别标签；
对所述类别标签进行条件化处理，将所述条件化处理后的类别标签作为条件信息和所述真实故障数据组成新的真实故障数据集。
3.根据权利要求2所述的工业机器人故障数据生成方法，其特征在于，所述将所述真实故障数据集输入条件对抗生成网络进行训练包括：
将所述真实故障数据和条件信息输入条件对抗生成网络的生成器进行训练，通过所述生成器生成不同类别的仿真故障数据；
将所述仿真故障数据与条件信息一同输入判别器进行训练，通过判别器输出判别结果。
4.根据权利要求3所述的工业机器人故障数据生成方法，其特征在于，所述将所述真实故障数据集输入条件对抗生成网络进行训练还包括：
采用随机梯度下降法对所述判别器进行更新，并基于超参数k判断所述判别器的训练次数是否达到k次，如果没有达到k次，则再次对所述判别器进行训练；如果达到k次，
采用随机梯度下降法对所述生成器进行更新，并重新对所述生成器进行训练。
5.根据权利要求4所述的工业机器人故障数据生成方法，其特征在于，所述采用随机梯度下降法对所述判别器进行更新具体为：
通过加上随机梯度对所述判别器进行更新。
6.根据权利要求4所述的工业机器人故障数据生成方法，其特征在于，所述采用随机梯度下降法对所述生成器进行更新具体为：
通过减去随机梯度对所述生成器进行更新。
7.根据权利要求1至6任一项所述的工业机器人故障数据生成方法，其特征在于，所述条件对抗生成网络的损失函数为：
Figure FDA0003383278810000021
其中，D代表判别器，G代表生成器，y代表条件信息，G(z|y)代表条件信息与噪声信号一起输入到生成器G中，D(G(z|y)))代表生成器G生成的仿真故障数据再输出到判别器D中判别真伪，D(x|y)代表真实故障数据x与条件信息y一起输入到判别器D中判别真伪；
Figure FDA0003383278810000022
代表经过判别器D判断后该数据来自于真实故障数据的概率，
Figure FDA0003383278810000031
代表经过判别器D判断后该数据来自于生成器G生成的仿真故障数据的概率；log为对数。
8.一种工业机器人故障数据生成系统，其特征在于，包括：
数据提取模块：用于提取工业机器人的真实故障数据，根据故障类别为所述真实故障数据标注类别标签，将所述类别标签作为条件信息与所述真实故障数据一起生成真实故障数据集；
模型训练模块：用于将所述真实故障数据集输入条件对抗生成网络进行训练，得到训练好的生成对抗模型；
数据生成模块：用于根据所述训练好的生成对抗模型生成不同类别的工业机器人故障数据。
9.一种终端，其特征在于，所述终端包括处理器、与所述处理器耦接的存储器，其中，
所述存储器存储有用于实现权利要求1-7任一项所述的工业机器人故障数据生成方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制工业机器人故障数据生成。
10.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1至7任一项所述工业机器人故障数据生成方法。
CN202111443103.1A 2021-11-30 2021-11-30 工业机器人故障数据生成方法、系统、终端以及存储介质 Pending CN114326655A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111443103.1A CN114326655A (zh) 2021-11-30 2021-11-30 工业机器人故障数据生成方法、系统、终端以及存储介质
PCT/CN2021/137927 WO2023097774A1 (zh) 2021-11-30 2021-12-14 工业机器人故障数据生成方法、系统、终端以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111443103.1A CN114326655A (zh) 2021-11-30 2021-11-30 工业机器人故障数据生成方法、系统、终端以及存储介质

Publications (1)

Publication Number Publication Date
CN114326655A true CN114326655A (zh) 2022-04-12

Family

ID=81048184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111443103.1A Pending CN114326655A (zh) 2021-11-30 2021-11-30 工业机器人故障数据生成方法、系统、终端以及存储介质

Country Status (2)

Country Link
CN (1) CN114326655A (zh)
WO (1) WO2023097774A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757286A (zh) * 2022-04-19 2022-07-15 中科航迈数控软件(深圳)有限公司 一种基于条件对抗生成网络的多类别故障数据生成方法
CN115169506A (zh) * 2022-09-06 2022-10-11 中铁第四勘察设计院集团有限公司 一种供变电关键设备故障快速诊断方法及系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975741B (zh) * 2023-09-13 2024-01-19 山东理工昊明新能源有限公司 基于物联网的能源设备故障预测方法、装置及电子设备
CN116936108B (zh) * 2023-09-19 2024-01-02 之江实验室 一种面向不平衡数据的疾病预测系统
CN117669388B (zh) * 2024-01-30 2024-05-31 武汉理工大学 故障样本生成方法、装置、计算机介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109889452A (zh) * 2019-01-07 2019-06-14 中国科学院计算技术研究所 基于条件生成式对抗网络的网络背景流量生成方法和系统
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
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
WO2021036059A1 (zh) * 2019-08-29 2021-03-04 深圳云天励飞技术有限公司 图像转换模型训练方法、异质人脸识别方法、装置及设备
CN112649198A (zh) * 2021-01-05 2021-04-13 西交思创智能科技研究院(西安)有限公司 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用
CN112699288A (zh) * 2020-12-31 2021-04-23 天津工业大学 一种基于条件-生成式对抗网络的食谱生成方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753998A (zh) * 2018-12-20 2019-05-14 山东科技大学 基于对抗式生成网络的故障检测方法及系统、计算机程序
CN111445147A (zh) * 2020-03-27 2020-07-24 中北大学 一种用于机械故障诊断的生成式对抗网络模型评估方法
CN113128338B (zh) * 2021-03-15 2024-02-02 西安理工大学 一种小样本下印刷机滚筒故障的智能诊断方法
CN113191429A (zh) * 2021-04-29 2021-07-30 国网河北省电力有限公司电力科学研究院 一种电力变压器套管故障诊断方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109889452A (zh) * 2019-01-07 2019-06-14 中国科学院计算技术研究所 基于条件生成式对抗网络的网络背景流量生成方法和系统
CN110414601A (zh) * 2019-07-30 2019-11-05 南京工业大学 基于深度卷积对抗网络的光伏组件故障诊断方法、系统及设备
WO2021036059A1 (zh) * 2019-08-29 2021-03-04 深圳云天励飞技术有限公司 图像转换模型训练方法、异质人脸识别方法、装置及设备
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
CN112699288A (zh) * 2020-12-31 2021-04-23 天津工业大学 一种基于条件-生成式对抗网络的食谱生成方法及系统
CN112649198A (zh) * 2021-01-05 2021-04-13 西交思创智能科技研究院(西安)有限公司 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
叶晨;关玮;: "生成式对抗网络的应用综述", 同济大学学报(自然科学版), no. 04 *
孔锐;黄钢;: "基于条件约束的胶囊生成对抗网络", 自动化学报, no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757286A (zh) * 2022-04-19 2022-07-15 中科航迈数控软件(深圳)有限公司 一种基于条件对抗生成网络的多类别故障数据生成方法
CN115169506A (zh) * 2022-09-06 2022-10-11 中铁第四勘察设计院集团有限公司 一种供变电关键设备故障快速诊断方法及系统

Also Published As

Publication number Publication date
WO2023097774A1 (zh) 2023-06-08

Similar Documents

Publication Publication Date Title
CN114326655A (zh) 工业机器人故障数据生成方法、系统、终端以及存储介质
CN109905385B (zh) 一种webshell检测方法、装置及系统
WO2021168617A1 (zh) 业务风控处理方法、装置、电子设备以及存储介质
US11847111B2 (en) Anomaly detection systems and methods
CN111782804B (zh) 基于TextCNN同分布文本数据选择方法、系统及存储介质
Granik et al. Determining fake statements made by public figures by means of artificial intelligence
CN115687925A (zh) 针对不平衡样本的故障类型识别方法及装置
CN111522736A (zh) 一种软件缺陷预测方法、装置、电子设备及计算机存储介质
TW202038217A (zh) 資料標籤產生、模型訓練、事件識別方法和裝置
US20200074277A1 (en) Fuzzy input for autoencoders
CN111523322A (zh) 需求文档质量评价模型训练方法及需求文档质量评价方法
CN115082598A (zh) 文本图像生成、训练、文本图像处理方法以及电子设备
CN111738455B (zh) 一种基于集成域自适应的故障诊断方法及系统
WO2022060868A1 (en) An automated machine learning tool for explaining the effects of complex text on predictive results
Shil et al. An approach for detecting Bangla spam comments on Facebook
CN117093997B (zh) 基于平稳多臂老虎机的代码对抗样本生成方法
CN116542504B (zh) 参数自适应的半导体工件生产调度方法、设备及存储介质
US20240095346A1 (en) Anomalous command line entry detection
CN117436457B (zh) 反讽识别方法、装置、计算设备及存储介质
CN116911288B (zh) 一种基于自然语言处理技术的离散文本识别方法
Reddy et al. Detection of injections in API requests using recurrent neural networks and transformers
CN116227601B (zh) 一种基于动词时态的泛化因果网络构建方法、设备及介质
CN115223574B (zh) 语音信息处理方法、模型的训练方法、唤醒方法及装置
US20240046631A1 (en) Neural network system using separable convolution
US11481615B1 (en) Anti-spoofing of neural networks

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
TA01 Transfer of patent application right

Effective date of registration: 20230112

Address after: 518073 2010, Tower A, Zhongguan Times Square, No. 4168, Liuxian Avenue, Pingshan Community, Taoyuan Street, Nanshan District, Shenzhen, Guangdong

Applicant after: Zhongke hangmai CNC software (Shenzhen) Co.,Ltd.

Address before: 1068 No. 518055 Guangdong city in Shenzhen Province, Nanshan District City Xili University School Avenue

Applicant before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY

TA01 Transfer of patent application right