CN114722886A - 基于知识蒸馏的曲轴内部缺陷检测方法及检测设备 - Google Patents

基于知识蒸馏的曲轴内部缺陷检测方法及检测设备 Download PDF

Info

Publication number
CN114722886A
CN114722886A CN202210652426.XA CN202210652426A CN114722886A CN 114722886 A CN114722886 A CN 114722886A CN 202210652426 A CN202210652426 A CN 202210652426A CN 114722886 A CN114722886 A CN 114722886A
Authority
CN
China
Prior art keywords
model
student model
crankshaft
teacher
student
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
CN202210652426.XA
Other languages
English (en)
Inventor
谢罗峰
卢后洪
殷鸣
殷国富
刘建华
杨扬
赖光勇
杨敏
余雅彬
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.)
Sichuan Pan Asia Power Technology Co ltd
Sichuan University
Original Assignee
Sichuan Pan Asia Power Technology Co ltd
Sichuan University
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 Sichuan Pan Asia Power Technology Co ltd, Sichuan University filed Critical Sichuan Pan Asia Power Technology Co ltd
Priority to CN202210652426.XA priority Critical patent/CN114722886A/zh
Publication of CN114722886A publication Critical patent/CN114722886A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本发明公开了一种基于知识蒸馏的曲轴内部缺陷检测方法及检测设备，检测方法包括：采集曲轴正常状态和缺陷状态下的激振信号，将激振信号变换得到时域数据、频域数据及时频域数据，构建振动数据集；构建教师模型‑学生模型；采用振动数据集的三种数据对教师模型进行训练；将时域数据输入学生模型并将振动数据集输入教师模型，利用知识蒸馏训练出与教师模型的预测精度相当的学生模型；采集待检测曲轴的激振信号并输入至已训练好的学生模型，得到分类结果。本发明基于交叉注意力机制，同时对时域、频域和时频域三种数据提取特征，解决了跨模态特征之间的差异性，实现不同特征在特征空间上对齐，有效地实现网络的收敛速度和预测精度的提高。

Description

基于知识蒸馏的曲轴内部缺陷检测方法及检测设备
技术领域
本发明涉及曲轴的缺陷检测技术领域，特别是涉及一种基于知识蒸馏的曲轴内部缺陷检测方法及检测设备。
背景技术
曲轴是发动机的核心零部件，主要用于发动机的功率输出。曲轴缺陷，如肩裂纹、弯曲、轴颈磨损、烧伤以及内部缺陷，直接影响发动机的使用性能和寿命，而诸如表面裂纹、弯曲和磨损可以通过机器视觉的技术进行检测。由于内部缺陷形态各异、位置不定、尺寸不一，利用传统的声发设备进行检测，具有成本高的缺点。因而研究基于振动信号来检测曲轴内部缺陷对曲轴制造工业具有十分重要的意义。近年来，随着深度学习技术的发展，利用基于时间序列信号的深度学习方法来检测机器领部件的故障，通过神经网络提取信号中隐藏的缺陷信息来预测缺陷已成为缺陷检测领域的重要形式。
然而，在相关技术中，大多采用振动信号中的时域、频域或时频域中的一种数据进行特征提取，预测精度及收敛速度受限。
发明内容
针对上述问题，本发明提供了一种基于知识蒸馏的曲轴内部缺陷检测方法及检测设备，基于交叉注意力机制，同时对时域、频域和时频域三种数据提取特征，解决了跨模态特征之间的差异性，将三种模态的特征进行对齐，有效地实现网络的收敛速度和预测精度的提高。
本发明的技术方案是：
第一方面，本发明提供了一种基于知识蒸馏的曲轴内部缺陷检测方法，包括：
采集曲轴正常状态和缺陷状态下的激振信号，同一状态进行多次采集，将所述激振信号变换得到时域数据、频域数据及时频域数据，构建振动数据集；
构建教师模型-学生模型，所述教师模型包含多条并行的且框架均为ResNet-50的卷积神经网络；所述学生模型包括框架为AlexNet的卷积神经网络；
采用所述振动数据集对所述教师模型进行训练，具体包括：对于所述时域数据和频域数据，采用一维卷积提取特征；对于所述时频域数据，采用二维卷积提取特征，并在最后一层卷积层后，将二维特征图展成一维；使用交叉注意力机制使三种特征进行对齐，然后在特征堆叠融合后通过全连接层输出曲轴的分类类别；保存测试精度最高的权重；
将所述时域数据输入所述学生模型并将所述振动数据集输入教师模型，利用知识蒸馏，使学生模型的输出向教师模型的输出不断靠近，训练出与教师模型的预测精度相当的学生模型，并保存权重；
采集待检测曲轴的激振信号，并将激振信号输入至已训练好的所述学生模型，得到分类结果。
上述技术方案的工作原理如下：
本发明的曲轴内部缺陷检测方法能实现曲轴内部缺陷的自动化检测，加快了曲轴检测的速度，降低成本；同时利用知识蒸馏技术，将大模型较高的预测性能迁移到小模型上，解决了小模型推理速度快、预测精度差，大模型预测精度高、推理时间慢的问题；并创新性地提出了交叉注意力机制，对时域、频域及时频域分别提取特征，解决了跨模态特征之间的差异性，将三种模态的特征进行对齐，有效地实现网络的收敛速度和预测精度的提高。
在进一步的技术方案中，对所述学生模型进行训练具体包括：
将所述教师模型和学生模型的结果输入到带有温度T的softmax函数中，即
Figure 149044DEST_PATH_IMAGE001
；其中
Figure 3868DEST_PATH_IMAGE002
为输出概率，
Figure 986867DEST_PATH_IMAGE003
是以自然常数e为底的指数函数，
Figure 319760DEST_PATH_IMAGE004
为神经网络的逻辑输出；
构建损失函数
Figure 71815DEST_PATH_IMAGE005
，损失函数由两部分损失组成，第一部分为软损失
Figure 831961DEST_PATH_IMAGE006
，指的是学生模型与教师模型两者的软化输出的KL散度；第二部分为硬损失
Figure 302256DEST_PATH_IMAGE007
，指的是学生模型输出与真实标签的交叉熵损失，整个知识蒸馏模型的损失为
Figure 438839DEST_PATH_IMAGE008
，其中λ为所述软损失的权重,
Figure 310980DEST_PATH_IMAGE009
；所述学生模型使用Adam参数优化算法和误差反向传播方法来最小化损失函数
Figure 244957DEST_PATH_IMAGE010
,得到最优化网络参数，最终保存预测精度最高的学生模型。
如此设置，能够优化学生模型的网络参数，从而提升预测精度。
在进一步的技术方案中，在采集所述激振信号后，对所述激振信号进行预处理；其中，所述预处理包括归一化、间隔采样或数据增强中的至少一种。
通过归一化处理，能够有效降低特征信息冗余度，提高特征提取速度，使采集的振动波形尺寸保持在（0，1）区间，保证网络模型的高效训练；通过间隔采样减小采样的点数，能加快网络的推理速度；通过数据增强能够增加样本的数量，平衡有缺陷和正常曲轴数量，提高网络的泛化能力和稳定性。
在进一步的技术方案中，在构建所述教师-学生模型时，所述教师模型采用Adam参数优化算法和误差反向传播方法来最小化损失函数,以得到最优化网络参数。
如此设置，能够优化教师模型的网络参数，从而提升预测精度。
在进一步的技术方案中，在所述学生模型完成训练后，将所述学生模型部署到嵌入式设备中，通过软件实时显示采集的曲轴激振信号和检测结果。
如此设置，能够将学生模型应用到嵌入式设备中，从而实现快速自动检测曲轴的内部缺陷。
在进一步的技术方案中，所述构建教师模型-学生模型时，所述教师模型及学生模型均对应设置包括网络层数、激活函数、批次大小和初始学习率的模型参数。
第二方面，本发明提供了一种基于知识蒸馏的曲轴内部缺陷检测设备，包括计算机可读存储介质及处理器；所述计算机可读存储介质用于存储可执行指令；所述处理器用于读取所述可执行指令，并执行如上所述的曲轴内部缺陷检测方法。
本发明的有益效果是：
本发明的曲轴内部缺陷检测方法能实现曲轴内部缺陷的自动化检测，加快了曲轴检测的速度，降低成本；同时利用知识蒸馏技术，将大模型较高的预测性能迁移到小模型上，解决了小模型推理速度快、预测精度差，大模型预测精度高、推理时间慢的问题；并创新性地提出了交叉注意力机制，对时域、频域及时频域分别提取特征，解决了跨模态特征之间的差异性，将三种模态的特征进行对齐，有效地实现网络的收敛速度和预测精度的提高。
附图说明
图1为本发明实施例教师模型的训练架构图；
图2为本发明实施例交叉注意力机制的架构原理图；
图3为本发明实施例教师模型-学生模型的知识蒸馏示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步说明。
实施例1
如图1至图3所示，第一方面，本发明提供了一种基于知识蒸馏的曲轴内部缺陷检测方法，包括以下步骤。
S1、采集曲轴正常状态和缺陷状态下的激振信号（即图1中的振动信号），同一状态进行多次采集，将所述激振信号变换得到时域数据、频域数据及时频域数据，构建振动数据集。例如，对于曲轴状态未知的情况下，可以利用超声波检测曲轴是否具有内部缺陷。这里，激振信号的原始状态便是为时域数据，而频域数据和时频域数据分别可通过对时域数据分别进行傅里叶变换和语谱图变换得到。
S2、构建教师模型-学生模型，所述教师模型包含多条并行的且框架均为ResNet-50的卷积神经网络；所述学生模型包括框架为AlexNet的卷积神经网络；
S3、采用所述振动数据集对所述教师模型进行训练，具体包括：对于所述时域数据和频域数据，采用一维卷积提取特征；对于所述时频域数据，采用二维卷积提取特征，并在最后一层卷积层后，将二维特征图展成一维；使用交叉注意力机制使三种特征进行对齐，然后在特征堆叠融合后通过全连接层输出曲轴的分类类别；保存测试精度最高的权重。
S4、将所述时域数据输入所述学生模型并将所述振动数据集输入教师模型，利用知识蒸馏，使学生模型的输出向教师模型的输出不断靠近，训练出与教师模型的预测精度相当的学生模型，并保存权重；
S5、采集待检测曲轴的激振信号，并将激振信号输入至已训练好的所述学生模型，得到分类结果。
上述技术方案的工作原理如下：
本发明的曲轴内部缺陷检测方法能实现曲轴内部缺陷的自动化检测，加快了曲轴检测的速度，降低成本；同时利用知识蒸馏技术，将大模型较高的预测性能迁移到小模型上，解决了小模型推理速度快、预测精度差，大模型预测精度高、推理时间慢的问题；并创新性地提出了交叉注意力机制，对时域、频域及时频域分别提取特征，解决了跨模态特征之间的差异性，将三种模态的特征进行对齐，有效地实现网络的收敛速度和预测精度的提高。
在另外的实施例中，对所述学生模型进行训练具体包括以下步骤：
将所述教师模型和学生模型的结果输入到带有温度T的softmax函数中，即
Figure 202549DEST_PATH_IMAGE011
。其中
Figure 142823DEST_PATH_IMAGE012
为输出概率，
Figure 869471DEST_PATH_IMAGE013
是以自然常数e为底的指数函数，
Figure 502577DEST_PATH_IMAGE014
为神经网络的逻辑输出。
构建损失函数
Figure 947465DEST_PATH_IMAGE015
，损失函数
Figure 425851DEST_PATH_IMAGE016
由两部分损失组成，第一部分为软损失
Figure 272584DEST_PATH_IMAGE017
，指的是学生模型与教师模型两者的软化输出的KL散度；第二部分为硬损失
Figure 811013DEST_PATH_IMAGE018
，指的是学生模型输出与真实标签的交叉熵损失，整个知识蒸馏模型的损失为
Figure 743197DEST_PATH_IMAGE020
，其中λ为所述软损失的权重,
Figure 22344DEST_PATH_IMAGE021
；所述学生模型使用Adam参数优化算法和误差反向传播方法来最小化损失函数
Figure 723584DEST_PATH_IMAGE022
,得到最优化网络参数，最终保存预测精度最高的学生模型。如此设置，能够优化学生模型的网络参数，从而提升预测精度。
在另外的实施例中，在采集所述激振信号后，对所述激振信号进行预处理；其中，所述预处理包括归一化、间隔采样或数据增强中的至少一种。通过归一化处理，能够有效降低特征信息冗余度，提高特征提取速度，使采集的振动波形尺寸保持在（0，1）区间，保证网络模型的高效训练；通过间隔采样减小采样的点数，能加快网络的推理速度；通过数据增强能够增加样本的数量，平衡有缺陷和正常曲轴数量，提高网络的泛化能力和稳定性。
在另外的实施例中，在构建所述教师-学生模型时，所述教师模型采用Adam参数优化算法和误差反向传播方法来最小化损失函数,以得到最优化网络参数。如此设置，能够优化教师模型的网络参数，从而提升预测精度。
在另外的实施例中，在所述学生模型完成训练后，将所述学生模型部署到嵌入式设备中，通过软件（例如，采用LabVIEW编写的软件）实时显示采集的曲轴激振信号和检测结果。如此设置，能够将学生模型应用到嵌入式设备中，从而实现快速自动检测曲轴的内部缺陷。
在另外的实施例中，所述构建教师模型-学生模型时，所述教师模型及学生模型均对应设置包括网络层数、激活函数、批次大小和初始学习率的模型参数。
实施例2
第二方面，本发明提供了一种基于知识蒸馏的曲轴内部缺陷检测设备，包括计算机可读存储介质及处理器；所述计算机可读存储介质用于存储可执行指令；所述处理器用于读取所述可执行指令，并执行如上所述的曲轴内部缺陷检测方法。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (7)

1.一种基于知识蒸馏的曲轴内部缺陷检测方法，其特征在于，包括：
采集曲轴正常状态和缺陷状态下的激振信号，同一状态进行多次采集，将所述激振信号变换得到时域数据、频域数据及时频域数据，构建振动数据集；
构建教师模型-学生模型，所述教师模型包含多条并行的且框架均为ResNet-50的卷积神经网络；所述学生模型包括框架为AlexNet的卷积神经网络；
采用所述振动数据集对所述教师模型进行训练，具体包括：对于所述时域数据和频域数据，采用一维卷积提取特征；对于所述时频域数据，采用二维卷积提取特征，并在最后一层卷积层后，将二维特征图展成一维；使用交叉注意力机制使三种特征进行对齐，然后在特征堆叠融合后通过全连接层输出曲轴的分类类别；保存测试精度最高的权重；
将所述时域数据输入所述学生模型并将所述振动数据集输入教师模型，利用知识蒸馏，使学生模型的输出向教师模型的输出不断靠近，训练出与教师模型的预测精度相当的学生模型，并保存权重；
采集待检测曲轴的激振信号，并将激振信号输入至已训练好的所述学生模型，得到分类结果。
2.根据权利要求1所述的曲轴内部缺陷检测方法，其特征在于，对所述学生模型进行训练具体包括：
将所述教师模型和学生模型的结果输入到带有温度T的softmax函数中，即
Figure DEST_PATH_IMAGE001
；其中
Figure DEST_PATH_IMAGE002
为输出概率，
Figure DEST_PATH_IMAGE003
是以自然常数e为底的指数函数，
Figure DEST_PATH_IMAGE004
为神经网络的逻辑输出；
构建损失函数
Figure DEST_PATH_IMAGE005
，损失函数
Figure DEST_PATH_IMAGE006
由两部分损失组成，第一部分为软损失
Figure DEST_PATH_IMAGE007
，指的是学生模型与教师模型两者的软化输出的KL散度；第二部分为硬损失
Figure DEST_PATH_IMAGE008
，指的是学生模型输出与真实标签的交叉熵损失，整个知识蒸馏模型的损失为
Figure DEST_PATH_IMAGE009
，其中λ为所述软损失的权重,
Figure DEST_PATH_IMAGE010
;所述学生模型使用Adam参数优化算法和误差反向传播方法来最小化损失函数
Figure DEST_PATH_IMAGE011
,得到最优化网络参数，最终保存预测精度最高的学生模型。
3.根据权利要求1所述的曲轴内部缺陷检测方法，其特征在于，在采集所述激振信号后，对所述激振信号进行预处理；其中，所述预处理包括归一化、间隔采样或数据增强中的至少一种。
4.根据权利要求1所述的曲轴内部缺陷检测方法，其特征在于，在构建所述教师-学生模型时，所述教师模型采用Adam参数优化算法和误差反向传播方法来最小化损失函数,以得到最优化网络参数。
5.根据权利要求1所述的曲轴内部缺陷检测方法，其特征在于，在所述学生模型完成训练后，将所述学生模型部署到嵌入式设备中，通过软件实时显示采集的曲轴激振信号和检测结果。
6.根据权利要求1所述的曲轴内部缺陷检测方法，其特征在于，所述构建教师模型-学生模型时，所述教师模型及学生模型均对应设置包括网络层数、激活函数、批次大小和初始学习率的模型参数。
7.一种基于知识蒸馏的曲轴内部缺陷检测设备，其特征在于，包括计算机可读存储介质及处理器；所述计算机可读存储介质用于存储可执行指令；所述处理器用于读取所述可执行指令，并执行权利要求1-6任一项所述的曲轴内部缺陷检测方法。
CN202210652426.XA 2022-06-10 2022-06-10 基于知识蒸馏的曲轴内部缺陷检测方法及检测设备 Pending CN114722886A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210652426.XA CN114722886A (zh) 2022-06-10 2022-06-10 基于知识蒸馏的曲轴内部缺陷检测方法及检测设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210652426.XA CN114722886A (zh) 2022-06-10 2022-06-10 基于知识蒸馏的曲轴内部缺陷检测方法及检测设备

Publications (1)

Publication Number Publication Date
CN114722886A true CN114722886A (zh) 2022-07-08

Family

ID=82233124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210652426.XA Pending CN114722886A (zh) 2022-06-10 2022-06-10 基于知识蒸馏的曲轴内部缺陷检测方法及检测设备

Country Status (1)

Country Link
CN (1) CN114722886A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897909A (zh) * 2022-07-15 2022-08-12 四川大学 基于无监督学习的曲轴表面裂纹监测方法及系统
CN115774851A (zh) * 2023-02-10 2023-03-10 四川大学 基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210097400A1 (en) * 2019-10-01 2021-04-01 Samsung Display Co., Ltd. System and method for knowledge distillation
CN113281048A (zh) * 2021-06-25 2021-08-20 华中科技大学 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统
CN113610163A (zh) * 2021-08-09 2021-11-05 安徽工业大学 一种基于知识蒸馏的轻量级苹果叶片病害识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210097400A1 (en) * 2019-10-01 2021-04-01 Samsung Display Co., Ltd. System and method for knowledge distillation
CN113281048A (zh) * 2021-06-25 2021-08-20 华中科技大学 一种基于关系型知识蒸馏的滚动轴承故障诊断方法和系统
CN113610163A (zh) * 2021-08-09 2021-11-05 安徽工业大学 一种基于知识蒸馏的轻量级苹果叶片病害识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HOUHONG LU 等: "Multimodal Fusion Convolutional Neural Network With Cross-Attention Mechanism for Internal Defect Detection of Magnetic Tile", 《IEEE ACCESS》 *
JIULIN LANG 等: "Knowledge Distillation Method for Surface Defect Detection", 《INTERNATIONAL CONFERENCE ON NEURAL INFORMATION PROCESSING》 *
代成: "面向边缘智能人体行为识别关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 *
田寅初: "基于卷积神经网络的滚动轴承故障识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897909A (zh) * 2022-07-15 2022-08-12 四川大学 基于无监督学习的曲轴表面裂纹监测方法及系统
CN115774851A (zh) * 2023-02-10 2023-03-10 四川大学 基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统

Similar Documents

Publication Publication Date Title
WO2021134871A1 (zh) 基于局部二值模式和深度学习的合成人脸图像取证方法
CN114722886A (zh) 基于知识蒸馏的曲轴内部缺陷检测方法及检测设备
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN115774851B (zh) 基于分级知识蒸馏的曲轴内部缺陷检测方法及其检测系统
CN112651167A (zh) 一种基于图神经网络的半监督滚动轴承故障诊断方法
CN112113755B (zh) 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法
CN105678343A (zh) 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法
CN111833310B (zh) 一种基于神经网络架构搜索的表面缺陷分类方法
CN114169374B (zh) 一种斜拉桥斜拉索损伤识别方法及电子设备
CN112926728B (zh) 一种永磁同步电机小样本匝间短路故障诊断方法
CN115014789B (zh) 一种基于cnn-gcn的双传感器航空发动机机匣故障源声发射定位方法
CN111177010B (zh) 一种软件缺陷严重程度识别方法
CN114548199A (zh) 一种基于深度迁移网络的多传感器数据融合方法
Ye et al. A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring
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
Anvar et al. A novel application of deep transfer learning with audio pre-trained models in pump audio fault detection
CN112146882B (zh) 基于迁移学习振动信号图像识别的轴承故障诊断方法
CN110020637A (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法
Yang et al. Multi-scale neighborhood query graph convolutional network for multi-defect location in CFRP laminates
Li et al. Transformer-based meta learning method for bearing fault identification under multiple small sample conditions
CN114528869A (zh) 一种风机叶片损伤识别方法
CN110631827B (zh) 一种基于改进协同表示分类的齿轮箱故障诊断方法
CN113592028A (zh) 多专家分类委员会机器测井流体识别的方法及系统
CN113705695A (zh) 一种基于卷积神经网络的配电网故障数据辨识方法
Gao et al. Construction method of turbine engine health indicator based on deep learning

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220708

RJ01 Rejection of invention patent application after publication