CN115358280A - 轴承信号故障诊断方法、装置、设备及存储介质 - Google Patents
轴承信号故障诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115358280A CN115358280A CN202211276961.6A CN202211276961A CN115358280A CN 115358280 A CN115358280 A CN 115358280A CN 202211276961 A CN202211276961 A CN 202211276961A CN 115358280 A CN115358280 A CN 115358280A
- Authority
- CN
- China
- Prior art keywords
- signal
- fault
- bearing
- value distribution
- distribution
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种轴承信号故障诊断方法、装置、设备及存储介质,所述轴承信号故障诊断方法包括:获取故障信号;将所述故障信号输入至预设的信号分类模型,基于所述信号分类模型,提取所述故障信号的区域极值分布,并基于所述区域极值分布,确定故障信息,其中,所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的,并且所述信号分类模型是由卷积模块组构成的。本申请属于机械转动轴承系统的故障诊断领域,通过预训练的信号分类模型,提取故障信号中体现信号形态的区域极值分布,并确定区域极值分布的特征,以此确定故障信息,提高了对于轴承转动信号的特征提取分类的准确性。
Description
技术领域
本申请涉及机械转动轴承系统的故障诊断领域,尤其涉及一种轴承信号故障诊断方法、装置、设备及存储介质。
背景技术
目前的机械转动轴承系统故障诊断中,主要通过神经网络方法对时域信号直接进行处理,比较常用的方法有一维的Resnet,Densenet等卷积模型,也有一些使用RNN,Lstm等序列模型,对于更大的数据集甚至存在使用Transformer类模型进行识别的案例。但这些模型都没有专门针对轴承转动信号进行设计和调节,因此这些模型关注的特征信息和轴承转动信号在时域形态上的特征信息并不能吻合,这造成了神经网络模型对于轴承转动信号的特征提取分类的准确性低。
发明内容
本申请的主要目的在于提供一种轴承信号故障诊断方法、装置、设备及存储介质,旨在解决现有技术中对于轴承转动信号的特征提取分类的准确性低的技术问题。
为实现以上目的,本申请提供一种轴承信号故障诊断方法,所述轴承信号故障诊断方法包括:
获取故障信号;
将所述故障信号输入至预设的信号分类模型,基于所述信号分类模型,提取所述故障信号的区域极值分布,并基于所述区域极值分布,确定故障信息,其中,所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的,并且所述信号分类模型是由卷积模块组构成的。
可选地,所述基于所述信号分类模型,提取所述故障信号的区域极值分布的步骤,包括:
基于所述信号分类模型,对所述故障信号进行特征提取,得到第一特征数据;
对所述第一特征数据分别进行最大池化操作和最小池化操作,确定所述第一特征数据的第一最大值分布和第一最小值分布,并将所述第一最大值分布和所述第一最小值分布确定为所述故障信号的区域极值分布。
可选地,所述对所述第一特征数据分别进行最大池化操作和最小池化操作,确定所述第一特征数据的第一最大值分布和第一最小值分布的步骤,包括:
对所述第一特征数据分别进行最大池化操作、最小池化操作以及逐深度Depthwise卷积,得到第二最大值分布、第二最小值分布和卷积特征数据,其中,所述最大池化操作和所述最小池化操作为分块大小相同的池化操作;
对所述第二最大值分布、所述第二最小值分布和所述卷积特征数据进行级联,得到相应的级联通道,并对所述级联通道进行逐点Pointwise卷积,确定第二特征数据;
对所述第二特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布。
可选地,所述对所述第二特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布的步骤,包括:
利用残差机制,增加所述第二特征数据的特征量,确定第三特征数据;
对所述第三特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布。
可选地,所述利用残差机制,增加所述第二特征数据的特征量,确定第三特征数据的步骤,包括:
对所述第二特征数据进行第一次深度可分离卷积、Gelu激活函数以及注意力机制处理,得到第四特征数据;
将所述第四特征数据进行第二次深度可分离卷积和Hardswish激活函数处理,得到第五特征数据;
将所述第四特征数据、所述第五特征数据和所述第二特征数据进行残差计算,增加特征量,得到所述第三特征数据。
可选地,所述基于所述区域极值分布,确定故障信息的步骤,包括:
将所述区域极值分布进行全局平均池化处理,确定信号平均值;
将所述信号平均值与信号权重组相乘,得到故障预测标签;
基于所述故障预测标签,确定所述故障信息。
可选地,所述获取故障信号的步骤之前,所述方法包括:
获取故障信号样本和所述故障信号样本的故障信息标签;
将所述故障信号样本输入至预设的待训练模型,得到预测故障信息;
将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算,得到误差结果;
基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述故障信号样本输入至预设的待训练模型,得到预测故障信息的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到所述信号分类模型。
本申请还提供一种轴承信号故障诊断装置,所述轴承信号故障诊断装置包括:
获取模块,用于获取故障信号;
分类模块,用于将所述故障信号输入至预设的信号分类模型,基于所述信号分类模型,提取所述故障信号的区域极值分布,并基于所述区域极值分布,确定故障信息,其中,所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的,并且所述信号分类模型是由卷积模块组构成的。
本申请还提供一种轴承信号故障诊断设备,所述轴承信号故障诊断设备包括:存储器、处理器以及存储在存储器上的用于实现所述轴承信号故障诊断方法的程序,
所述存储器用于存储实现轴承信号故障诊断方法的程序;
所述处理器用于执行实现所述轴承信号故障诊断方法的程序,以实现所述轴承信号故障诊断方法的步骤。
本申请还提供一种存储介质,所述存储介质上存储有实现轴承信号故障诊断方法的程序,所述实现轴承信号故障诊断方法的程序被处理器执行以实现所述轴承信号故障诊断方法的步骤。
本申请提供的一种轴承信号故障诊断方法、装置、设备及存储介质,与现有技术中对于轴承转动信号的特征提取分类的准确性低相比,在本申请中,获取故障信号;将所述故障信号输入至预设的信号分类模型,基于所述信号分类模型,提取所述故障信号的区域极值分布,并基于所述区域极值分布,确定故障信息,其中,所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的,并且所述信号分类模型是由卷积模块组构成的。即在本申请中,通过预训练的信号分类模型,提取故障信号中体现信号形态的区域极值分布,并确定区域极值分布的特征,以此确定故障信息,提高了对于轴承转动信号的特征提取分类的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本申请轴承信号故障诊断方法第一实施例的流程示意图;
图3为本申请轴承信号故障诊断装置模块示意图;
图4为本申请轴承信号故障诊断方法中轴承发生故障时产生的振动信号示意图;
图5本申请轴承信号故障诊断方法第二实施例SELN注意力模块结构示意图;
图6本申请轴承信号故障诊断方法第二实施例ResDPA模块结构示意图;
图7本申请轴承信号故障诊断方法第二实施例EVCP模块结构示意图;
图8本申请轴承信号故障诊断方法第二实施例EVDCP模块结构示意图;
图9本申请轴承信号故障诊断方法故障信号的区域极值分布示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,图1是本申请实施例方案涉及的硬件运行环境的终端结构示意图。
本申请实施例终端可以是PC,也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及轴承信号故障诊断程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的轴承信号故障诊断程序。
参照图2,本申请实施例提供一种轴承信号故障诊断方法,所述轴承信号故障诊断方法包括:
步骤S100,获取故障信号;
步骤S200,将所述故障信号输入至预设的信号分类模型,基于所述信号分类模型,提取所述故障信号的区域极值分布,并基于所述区域极值分布,确定故障信息,其中,所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的,并且所述信号分类模型是由卷积模块组构成的。
在本实施例中,具体的应用场景可以是:
在现有技术中,通常采用神经网络模型对信号进行特征提取,得到相应故障信息,但这些模型都没有专门针对轴承转动信号进行设计和调节,因此这些模型关注的特征信息和轴承转动信号在时域形态上的特征信息并不能吻合,这造成了先前的神经网络模型对于轴承转动信号不能做到很好的特征提取分类工作。
具体步骤如下:
步骤S100,获取故障信号;
在本实施例中,轴承信号故障诊断方法应用于轴承信号故障诊断装置。
在本实施例中,故障信号为机械轴承在产生故障时所产生的信号,机械轴承在未发生故障时信号为平稳的信号;参照图4,但在发生故障时使轴承发生了周期性的冲击事件,在时域信号上表现为多个尖峰和小型拖尾信号。
在本实施例中,装置获取故障信号的方式可以是轴承在检测到产生故障时,向装置发送相应的故障信号;也可以是轴承定时向装置发送振动信号,由装置判断所述振动信号是否为故障信号,若为故障信号,则进行下一步处理。
步骤S200,将所述故障信号输入至预设的信号分类模型,基于所述信号分类模型,提取所述故障信号的区域极值分布,并基于所述区域极值分布,确定故障信息,其中,所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的,并且所述信号分类模型是由卷积模块组构成的。
在本实施例中,预设的信号分类模型为预先训练好的信号分类模型,其中,信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的,并且所述信号分类模型是由卷积模块组构成的,具体地,卷积模块组为若干数量的卷积模块构成的,卷积模块用于对输入的故障信号进行相应的卷积处理,不同的卷积模块相互连接,且进行不同的卷积处理,例如,卷积模块1用于提取信号特征,在所述卷积模块1信号处理后的信号输入至卷积模块2,所述卷积模块2用于增加特征量,并减小特征规模。
在本实施例中,所述信号分类模型,提取所述故障信号的区域极值分布,其中,参照图9,所述故障信号的区域极值分布为故障信号的尖峰处的区域信号,如图9中圆形区域,包括最大值区域信号和最小值区域信号,由于故障信号的极值更能体现信号的特殊形态,因此本申请提取故障信号的区域极值分布,舍弃中间部分的信号分布,以此提高对于轴承转动信号的特征提取分类的准确性。
在本实施例中,所述区域极值分布为预设数量,所述区域极值分布的数量由卷积采样次数决定,卷积采样次数是由信号分类模型的卷积模块组确定的,卷积模块组是自行设定数量的卷积模块堆积所构成的,其中卷积模块堆积的越多,卷积采样次数越多,即区域极值分布越多。
具体地,所述步骤S200,包括以下步骤S210-S220:
步骤S210,基于所述信号分类模型,对所述故障信号进行特征提取,得到第一特征数据;
在本实施例中,装置基于所述信号分类模型,对所述故障信号进行特征提取,得到第一特征数据,其中,特征提取的方法包括FFT快速傅里叶变换、短时傅里叶变换、小波变换、加伯变换等。
步骤S220,对所述第一特征数据分别进行最大池化操作和最小池化操作,确定所述第一特征数据的第一最大值分布和第一最小值分布,并将所述第一最大值分布和所述第一最小值分布确定为所述故障信号的区域极值分布。
在本实施例中,装置对所述第一特征数据分别在最大池化层进行最大池化操作和在最小池化层进行最小池化操作,确定所述第一特征数据的第一最大值分布和第一最小值分布,其中,池化相当于采样。对于输入的信号进行降维压缩,以加快运算速度,最大池化操作即对第一特征数据进行分块,并选定其中每一块中的最大值,舍弃块中其他值,得到第一最大值分布;同理最小池化操作也对第一特征数据进行分块,并选定其中每一块中的最小值,舍弃块中其他值,得到第一最小值分布;将所述第一最大值分布和所述第一最小值分布确定为所述故障信号的区域极值分布。
具体地,所述步骤S220,包括以下步骤S221-S223:
步骤S221,对所述第一特征数据分别进行最大池化操作、最小池化操作以及逐深度Depthwise卷积,得到第二最大值分布、第二最小值分布和卷积特征数据,其中,所述最大池化操作和所述最小池化操作为分块大小相同的池化操作;
在本实施例中,对所述第一特征数据使用相同大小的池化操作,自动分块提取输入通道的第二最大值分布和第二最小值分布,使用Depthwise卷积对输入的故障信号进行无通道间交流的卷积操作,得到卷积特征数据,其中,Depthwise卷积为逐深度卷积,Depthwise卷积的一个卷积核只负责一个通道,一个卷积核只与一个通道卷积。那么卷积核数需要与输入的通道数相等,输出的通道数也不变,等于输入的通道数,等于卷积核数。所以Depthwise卷积只改变特征图的大小,不改变通道数。
步骤S222,对所述第二最大值分布、所述第二最小值分布和所述卷积特征数据进行级联,得到相应的级联通道,并对所述级联通道进行逐点Pointwise卷积,确定第二特征数据;
在本实施例中,对所述第二最大值分布、所述第二最小值分布和所述卷积特征数据三组进行级联(concat)操作,即输入拥有X个通道,极大值拥有X个通道,极小值拥有X个通道,Depthwise拥有X个通道,三组级联后得到3X通道,随后对级联结果进行逐点Pointwise卷积以交流不同通道之间携带的信息,得到第二特征数据。其中,Pointwise卷积的卷积核为1*1,每个输出通道都接受所有输入通道的信息,也就是说Pointwise卷积不会得到输入通道对于某个卷积核的区域匹配程度,但是Pointwise卷积可以交换不同通道之间的信息,还可以在计算量较低的情况下改变输出维度,因此Pointwise常被用于做通道的升降维操作和通道间的信息交换。
在本实施例中,确定第二特征数据后,为保证神经网络模型的每层网络输入数据分布是一样的,进行FRN标准的归一化处理。
步骤S223,对所述第二特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布。
在本实施例中,同上步骤S220,装置对所述第二特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布。
具体地,所述步骤S223,包括以下步骤A100-A200:
步骤A100,利用残差机制,增加所述第二特征数据的特征量,确定第三特征数据;
在本实施例中,残差机制是将前面的某一层数据输出直接跳过中间层,引入到后面的数据层输入部分。残差网络采用跳跃式的结构,打破了传统的神经网络前层的输出只能给后层作为输入的惯例,使某一层的输出可以直接跨过几层作为后面某一层的输入。残差网络本身并没有一个固定的结构与参数,使得残差网络非常灵活,可以有效的插入其他模型而提高模型表现。残差网络以块(block)为单位,每个block由一系列的层和一个短路链接,短路链接将模块的输入和输出连接在一起,然后在元素层面上进行加(add),相当于跨过中间层,这样做不会产生额外的参数,不会增加计算的复杂度,而且保证加深后网络的性能不会比加深前差。以此增加了特征量,并且可以减小规模。
具体地,所述步骤A100,包括以下步骤A110-A130:
步骤A110,对所述第二特征数据进行第一次深度可分离卷积、Gelu激活函数以及注意力机制处理,得到第四特征数据;
在本实施例中,残差机制的具体方式为对所述第二特征数据进行第一次深度可分离卷积、Gelu激活函数以及注意力机制处理,得到第四特征数据,其中,深度可分离卷积为逐深度卷积和逐点卷积的结合,对所述第二特征数据进行特征采样;Gelu(高斯误差线性单元)激活函数,激活函数用于提供神经网络的非线性建模能力,注意力机制用于将计算资源分配给更重要的任务,减小特征规模。
步骤A120,将所述第四特征数据进行第二次深度可分离卷积和Hardswish激活函数处理,得到第五特征数据;
在本实施例中,同上步骤A110,装置将所述第四特征数据进行第二次深度可分离卷积和Hardswish激活函数处理,得到第五特征数据。
步骤A130,将所述第四特征数据、所述第五特征数据和所述第二特征数据进行残差计算,增加特征量,得到所述第三特征数据。
在本实施例中,残差机制通过跳跃连接和激活函数的方式,在训练更深网络的同时,又能保证良好的信息,保持了精度又减少了计算量。
步骤A200,对所述第三特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布。
在本实施例中,同上步骤S220,装置对所述第三特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布。
具体地,所述步骤S200,还包括以下步骤B100-B300:
步骤B100,将所述区域极值分布进行全局平均池化处理,确定信号平均值;
在本实施例中,将预设数量的所述区域极值分布进行全局平均池化处理,确定信号平均值,其中,全局平均池化是对于输出的每一个通道的信号的所有极值计算一个平均值,经过全局平均池化之后就得到一个维度类别数的特征向量,以此可以更好的将类别与最后一个卷积层的特征图对应起来,并降低参数量,整合了全局空间信息,增强鲁棒性。
步骤B200,将所述信号平均值与信号权重组相乘,得到故障预测标签;
在本实施例中,将所述信号平均值与相应的信号权重组相乘积,得到最终的故障预测标签,其中,故障预测标签即故障预测结果。
步骤B300,基于所述故障预测标签,确定所述故障信息。
在本实施例中,装置基于所述故障预测标签,确定所述故障信息,由于所述信号分类模型是训练好的神经网络模型,已将所有故障预测标签与故障信息对应,即可得到所述相应的故障信息。
在所述步骤S100,获取故障信号的步骤之前,所述方法包括以下步骤C100-C500:
步骤C100,获取故障信号样本和所述故障信号样本的故障信息标签;
在本实施例中,故障信号样本为用于训练模型的故障信号集合,为历史数据;所述故障信号样本的故障信息标签为对应所述故障信号样本的故障信息的标签,即故障信号所对应包含的故障信息,例如,故障信号样本1,对应的故障信息标签为轴承齿轮箱内圈发生故障,故障信号样本2,对应的故障信息标签为轴承齿轮箱外圈发生故障,皆为已知的故障信息。
步骤C200,将所述故障信号样本输入至预设的待训练模型,得到预测故障信息;
在本实施例中,装置将所述故障信号样本输入至预设的待训练模型,得到预测故障信息,其中,预测故障信息为待训练模型处理所述故障信号样本后所得到的预测故障信息,若故障信息与所述故障信号样本的故障信息标签相符合,则说明预测的故障信息正确,例如,故障信号样本1输入至预设的待训练模型,得到预测故障信息为轴承齿轮箱外圈发生故障。
步骤C300,将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算,得到误差结果;
在本实施例中,装置将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算,得到误差结果。
步骤C400,基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
在本实施例中,预设误差阈值范围为自行设定的阈值范围,装置基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准。
步骤C500,若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述故障信号样本输入至预设的待训练模型,得到预测故障信息的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到所述信号分类模型。
在本实施例中,若所述误差结果未满足所述预设误差阈值范围指示的误差标准,则说明当前训练模型预测不够准确,需要进行进一步训练,返回将所述故障信号样本输入至预设的待训练模型,得到预测故障信息的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到所述信号分类模型。
本申请提供的一种轴承信号故障诊断方法与现有技术中对于轴承转动信号的特征提取分类的准确性低相比,在本申请中,获取故障信号;将所述故障信号输入至预设的信号分类模型,基于所述信号分类模型,提取所述故障信号的区域极值分布,并基于所述区域极值分布,确定故障信息,其中,所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的,并且所述信号分类模型是由卷积模块组构成的。即在本申请中,通过预训练的信号分类模型,提取故障信号中体现信号形态的区域极值分布,并确定区域极值分布的特征,以此确定故障信息,提高了对于轴承转动信号的特征提取分类的准确性。
基于上述的第一实施例,本申请还提供另一实施例,所述轴承信号故障诊断方法,包括:
所述信号分类模型是由卷积模块组构成的,其中,卷积模块包括SELN自注意力模块、ResDPA模块、EVCP模块、EVDCP模块;
具体地,参照图5,SELN自注意力模块:该模块参考了SENet中的SE模块,但是把原先的部分替换为LayerNormalization层标准化;
参照图6,ResDPA模块:该模块参考了ResNet的Res模块,但是将原先的普通卷积层更换成了深度可分离卷积,在第一次深度可分离卷积结束后添加了一个SELN模块提供注意力机制,此外更换两个可分离卷积之间的激活函数为GELU和Hardswish;
参照图7,EVCP模块:该模块使用相同大小的池化操作,自动分块提取输入通道的极大值和极小值,提取结束后把最大值和最小值两组进行级联(concat)操作,即输入拥有X个通道,极大值拥有X个通道,极小值拥有X个通道,两组级联后得到2X通道。随后对级联结果进行Pointwise卷积以交流不同通道之间携带的信息;
参照图8,EVDCP模块:该模块使用相同大小的池化操作,自动分块提取输入通道的极大值和极小值,使用Depthwise卷积对输入信号进行无通道间交流的卷积操作(Stride和卷积核与池化层池化分块尺寸相同)。结束后把最大值,最小值,Depthwise三组进行级联(concat)操作,即输入拥有X个通道,极大值拥有X个通道,极小值拥有X个通道,Depthwise拥有X个通道,三组级联后得到3X通道。随后对级联结果进行Pointwise卷积以交流不同通道之间携带的信息。
具体地,使用这些模块可以按照设计需求和理念进行堆叠,以设计出不同高度和宽度的神经网络用于轴承故障信息的探测。
例如一个神经网络的设计:
EVDCP—ResDPA—EVCP—ResDPA—SELN注意力模块—Depthwise卷积—Hardswish激活函数—全局平均池化—Dropout—FullConnect层输出。
在本实施例中,EVDCP由于涉及了原信号信息,因此最好仅用在堆叠的开头,ResDPA可以代替Res模块搭建网络,EVCP可以适当的接入到ResDPA后。SELN模块为即插即用模块,可以安放在卷积模块堆叠结束之前的任意位置。
需要说明的是,进行模块堆叠时,将EVCP—ResDPA两个模块进行堆叠,其中,EVCP用于提取信号特征,ResDPA用于增加特征量,并减小规模。
使用这些模块设计神经网络进行分类操作或者对某型号轴承训练好神经网络后进行迁移学习等操作让训练好的模型可以用于另一型号的轴承。
本申请还提供一种轴承信号故障诊断装置,所述轴承信号故障诊断装置包括:
获取模块10,用于获取故障信号;
分类模块20,用于将所述故障信号输入至预设的信号分类模型,基于所述信号分类模型,提取所述故障信号的区域极值分布,并基于所述区域极值分布,确定故障信息,其中,所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的,并且所述信号分类模型是由卷积模块组构成的。
可选地,所述分类模块20,包括:
特征提取模块,用于基于所述信号分类模型,对所述故障信号进行特征提取,得到第一特征数据;
第一池化模块,用于对所述第一特征数据分别进行最大池化操作和最小池化操作,确定所述第一特征数据的第一最大值分布和第一最小值分布,并将所述第一最大值分布和所述第一最小值分布确定为所述故障信号的区域极值分布。
可选地,所述池化模块,包括:
池化卷积模块,用于对所述第一特征数据分别进行最大池化操作、最小池化操作以及逐深度Depthwise卷积,得到第二最大值分布、第二最小值分布和卷积特征数据,其中,所述最大池化操作和所述最小池化操作为分块大小相同的池化操作;
级联模块,用于对所述第二最大值分布、所述第二最小值分布和所述卷积特征数据进行级联,得到相应的级联通道,并对所述级联通道进行逐点Pointwise卷积,确定第二特征数据;
第二池化模块,用于对所述第二特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布。
可选地,所述第二池化模块,包括:
残差模块,用于利用残差机制,增加所述第二特征数据的特征量,确定第三特征数据;
第三池化模块,用于对所述第三特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布。
可选地,所述残差模块,包括:
第一深度可分离卷积模块,用于对所述第二特征数据进行第一次深度可分离卷积、Gelu激活函数以及注意力机制处理,得到第四特征数据;
第二深度可分离卷积模块,用于将所述第四特征数据进行第二次深度可分离卷积和Hardswish激活函数处理,得到第五特征数据;
残差计算模块,用于将所述第四特征数据、所述第五特征数据和所述第二特征数据进行残差计算,增加特征量,得到所述第三特征数据。
可选地,所述分类模块20,还包括:
平均池化模块,用于将所述区域极值分布进行全局平均池化处理,确定信号平均值;
乘积模块,用于将所述信号平均值与信号权重组相乘,得到故障预测标签;
故障信息确定模块,用于基于所述故障预测标签,确定所述故障信息。
可选地,所述轴承信号故障诊断装置还包括:
训练样本获取模块,用于获取故障信号样本和所述故障信号样本的故障信息标签;
预测模块,用于将所述故障信号样本输入至预设的待训练模型,得到预测故障信息;
差异计算模块,用于将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算,得到误差结果;
判断模块,用于基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
迭代模块,用于若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述故障信号样本输入至预设的待训练模型,得到预测故障信息的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到所述信号分类模型。
本申请轴承信号故障诊断装置具体实施方式与上述轴承信号故障诊断方法各实施例基本相同,在此不再赘述。
参照图1,图1是本申请实施例方案涉及的硬件运行环境的终端结构示意图。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,该轴承信号故障诊断设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图1中示出的轴承信号故障诊断设备结构并不构成对轴承信号故障诊断设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及轴承信号故障诊断程序。操作系统是管理和控制轴承信号故障诊断设备硬件和软件资源的程序,支持轴承信号故障诊断程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与轴承信号故障诊断系统中其它硬件和软件之间通信。
在图1所示的轴承信号故障诊断设备中,处理器1001用于执行存储器1005中存储的轴承信号故障诊断程序,实现上述任一项所述的轴承信号故障诊断方法的步骤。
本申请轴承信号故障诊断设备具体实施方式与上述轴承信号故障诊断方法各实施例基本相同,在此不再赘述。
本申请还提供一种存储介质,所述存储介质上存储有实现轴承信号故障诊断方法的程序,所述实现轴承信号故障诊断方法的程序被处理器执行以实现如下所述轴承信号故障诊断方法:
获取故障信号;
将所述故障信号输入至预设的信号分类模型,基于所述信号分类模型,提取所述故障信号的区域极值分布,并基于所述区域极值分布,确定故障信息,其中,所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的,并且所述信号分类模型是由卷积模块组构成的。
可选地,所述基于所述信号分类模型,提取所述故障信号的区域极值分布的步骤,包括:
基于所述信号分类模型,对所述故障信号进行特征提取,得到第一特征数据;
对所述第一特征数据分别进行最大池化操作和最小池化操作,确定所述第一特征数据的第一最大值分布和第一最小值分布,并将所述第一最大值分布和所述第一最小值分布确定为所述故障信号的区域极值分布。
可选地,所述对所述第一特征数据分别进行最大池化操作和最小池化操作,确定所述第一特征数据的第一最大值分布和第一最小值分布的步骤,包括:
对所述第一特征数据分别进行最大池化操作、最小池化操作以及逐深度Depthwise卷积,得到第二最大值分布、第二最小值分布和卷积特征数据,其中,所述最大池化操作和所述最小池化操作为分块大小相同的池化操作;
对所述第二最大值分布、所述第二最小值分布和所述卷积特征数据进行级联,得到相应的级联通道,并对所述级联通道进行逐点Pointwise卷积,确定第二特征数据;
对所述第二特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布。
可选地,所述对所述第二特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布的步骤,包括:
利用残差机制,增加所述第二特征数据的特征量,确定第三特征数据;
对所述第三特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布。
可选地,所述利用残差机制,增加所述第二特征数据的特征量,确定第三特征数据的步骤,包括:
对所述第二特征数据进行第一次深度可分离卷积、Gelu激活函数以及注意力机制处理,得到第四特征数据;
将所述第四特征数据进行第二次深度可分离卷积和Hardswish激活函数处理,得到第五特征数据;
将所述第四特征数据、所述第五特征数据和所述第二特征数据进行残差计算,增加特征量,得到所述第三特征数据。
可选地,所述基于所述区域极值分布,确定故障信息的步骤,包括:
将所述区域极值分布进行全局平均池化处理,确定信号平均值;
将所述信号平均值与信号权重组相乘,得到故障预测标签;
基于所述故障预测标签,确定所述故障信息。
可选地,所述获取故障信号的步骤之前,所述方法包括:
获取故障信号样本和所述故障信号样本的故障信息标签;
将所述故障信号样本输入至预设的待训练模型,得到预测故障信息;
将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算,得到误差结果;
基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述故障信号样本输入至预设的待训练模型,得到预测故障信息的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到所述信号分类模型。
本申请存储介质具体实施方式与上述轴承信号故障诊断方法各实施例基本相同,在此不再赘述。
本申请还提供一种计算机程序产品、包括计算机程序,该计算机程序被处理器执行时实现上述的轴承信号故障诊断方法的步骤。
本申请计算机程序产品的具体实施方式与上述轴承信号故障诊断方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种轴承信号故障诊断方法,其特征在于,所述轴承信号故障诊断方法包括:
获取故障信号;
将所述故障信号输入至预设的信号分类模型,基于所述信号分类模型,提取所述故障信号的区域极值分布,并基于所述区域极值分布,确定故障信息,其中,所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的,并且所述信号分类模型是由卷积模块组构成的。
2.如权利要求1所述的轴承信号故障诊断方法,其特征在于,所述基于所述信号分类模型,提取所述故障信号的区域极值分布的步骤,包括:
基于所述信号分类模型,对所述故障信号进行特征提取,得到第一特征数据;
对所述第一特征数据分别进行最大池化操作和最小池化操作,确定所述第一特征数据的第一最大值分布和第一最小值分布,并将所述第一最大值分布和所述第一最小值分布确定为所述故障信号的区域极值分布。
3.如权利要求2所述的轴承信号故障诊断方法,其特征在于,所述对所述第一特征数据分别进行最大池化操作和最小池化操作,确定所述第一特征数据的第一最大值分布和第一最小值分布的步骤,包括:
对所述第一特征数据分别进行最大池化操作、最小池化操作以及逐深度Depthwise卷积,得到第二最大值分布、第二最小值分布和卷积特征数据,其中,所述最大池化操作和所述最小池化操作为分块大小相同的池化操作;
对所述第二最大值分布、所述第二最小值分布和所述卷积特征数据进行级联,得到相应的级联通道,并对所述级联通道进行逐点Pointwise卷积,确定第二特征数据;
对所述第二特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布。
4.如权利要求3所述的轴承信号故障诊断方法,其特征在于,所述对所述第二特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布的步骤,包括:
利用残差机制,增加所述第二特征数据的特征量,确定第三特征数据;
对所述第三特征数据分别进行最大池化操作和最小池化操作,得到所述第一最大值分布和所述第一最小值分布。
5.如权利要求4所述的轴承信号故障诊断方法,其特征在于,所述利用残差机制,增加所述第二特征数据的特征量,确定第三特征数据的步骤,包括:
对所述第二特征数据进行第一次深度可分离卷积、Gelu激活函数以及注意力机制处理,得到第四特征数据;
将所述第四特征数据进行第二次深度可分离卷积和Hardswish激活函数处理,得到第五特征数据;
将所述第四特征数据、所述第五特征数据和所述第二特征数据进行残差计算,增加特征量,得到所述第三特征数据。
6.如权利要求1所述的轴承信号故障诊断方法,其特征在于,所述基于所述区域极值分布,确定故障信息的步骤,包括:
将所述区域极值分布进行全局平均池化处理,确定信号平均值;
将所述信号平均值与信号权重组相乘,得到故障预测标签;
基于所述故障预测标签,确定所述故障信息。
7.如权利要求1所述的轴承信号故障诊断方法,其特征在于,所述获取故障信号的步骤之前,所述方法包括:
获取故障信号样本和所述故障信号样本的故障信息标签;
将所述故障信号样本输入至预设的待训练模型,得到预测故障信息;
将所述预测故障信息与所述故障信号样本的故障信息标签进行差异计算,得到误差结果;
基于所述误差结果,判断所述误差结果是否满足预设误差阈值范围指示的误差标准;
若所述误差结果未满足所述预设误差阈值范围指示的误差标准,返回将所述故障信号样本输入至预设的待训练模型,得到预测故障信息的步骤,直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练,得到所述信号分类模型。
8.一种轴承信号故障诊断装置,其特征在于,所述轴承信号故障诊断装置包括:
获取模块,用于获取故障信号;
分类模块,用于将所述故障信号输入至预设的信号分类模型,基于所述信号分类模型,提取所述故障信号的区域极值分布,并基于所述区域极值分布,确定故障信息,其中,所述信号分类模型是基于故障信号样本和所述故障信号样本的故障信息标签对待训练模型进行迭代训练后得到的,并且所述信号分类模型是由卷积模块组构成的。
9.一种轴承信号故障诊断设备,其特征在于,所述轴承信号故障诊断设备包括:存储器、处理器以及存储在存储器上的用于实现所述轴承信号故障诊断方法的程序,
所述存储器用于存储实现轴承信号故障诊断方法的程序;
所述处理器用于执行实现所述轴承信号故障诊断方法的程序,以实现如权利要求1至7中任一项所述轴承信号故障诊断方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有实现轴承信号故障诊断方法的程序,所述实现轴承信号故障诊断方法的程序被处理器执行以实现如权利要求1至7中任一项所述轴承信号故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276961.6A CN115358280B (zh) | 2022-10-19 | 2022-10-19 | 轴承信号故障诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276961.6A CN115358280B (zh) | 2022-10-19 | 2022-10-19 | 轴承信号故障诊断方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115358280A true CN115358280A (zh) | 2022-11-18 |
CN115358280B CN115358280B (zh) | 2023-03-24 |
Family
ID=84008370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211276961.6A Active CN115358280B (zh) | 2022-10-19 | 2022-10-19 | 轴承信号故障诊断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358280B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115629930A (zh) * | 2022-12-23 | 2023-01-20 | 北京东远润兴科技有限公司 | 基于dsp系统的故障检测方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170199235A1 (en) * | 2015-05-07 | 2017-07-13 | Korea Electrical Safety Corporation | Cable fault diagnosis method and system |
CN107357714A (zh) * | 2016-05-09 | 2017-11-17 | 腾讯科技(深圳)有限公司 | 一种基于监控平台的故障分析方法和装置 |
CN109917205A (zh) * | 2019-03-13 | 2019-06-21 | 中南大学 | 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法 |
CN112285562A (zh) * | 2020-11-18 | 2021-01-29 | 中国海洋石油集团有限公司 | 基于电磁场与热场多信号融合的异步电机故障检测方法 |
US20210270244A1 (en) * | 2020-03-02 | 2021-09-02 | Wuhan University | Method and system for fault diagnosis of gearbox of wind turbine generator |
CN113375941A (zh) * | 2021-06-08 | 2021-09-10 | 西安交通大学 | 高速动车组轴承的开集故障诊断方法 |
CN114004262A (zh) * | 2021-11-29 | 2022-02-01 | 华东交通大学 | 一种齿轮箱轴承故障检测方法及系统 |
-
2022
- 2022-10-19 CN CN202211276961.6A patent/CN115358280B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170199235A1 (en) * | 2015-05-07 | 2017-07-13 | Korea Electrical Safety Corporation | Cable fault diagnosis method and system |
CN107357714A (zh) * | 2016-05-09 | 2017-11-17 | 腾讯科技(深圳)有限公司 | 一种基于监控平台的故障分析方法和装置 |
CN109917205A (zh) * | 2019-03-13 | 2019-06-21 | 中南大学 | 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法 |
US20210270244A1 (en) * | 2020-03-02 | 2021-09-02 | Wuhan University | Method and system for fault diagnosis of gearbox of wind turbine generator |
CN112285562A (zh) * | 2020-11-18 | 2021-01-29 | 中国海洋石油集团有限公司 | 基于电磁场与热场多信号融合的异步电机故障检测方法 |
CN113375941A (zh) * | 2021-06-08 | 2021-09-10 | 西安交通大学 | 高速动车组轴承的开集故障诊断方法 |
CN114004262A (zh) * | 2021-11-29 | 2022-02-01 | 华东交通大学 | 一种齿轮箱轴承故障检测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115629930A (zh) * | 2022-12-23 | 2023-01-20 | 北京东远润兴科技有限公司 | 基于dsp系统的故障检测方法、装置、设备及存储介质 |
CN115629930B (zh) * | 2022-12-23 | 2023-08-08 | 北京东远润兴科技有限公司 | 基于dsp系统的故障检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115358280B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163300B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN112446378A (zh) | 目标检测方法及装置、存储介质、终端 | |
CN112016467B (zh) | 交通标志识别模型训练方法、识别方法、系统、设备及介质 | |
US10043057B2 (en) | Accelerating object detection | |
CN111798828B (zh) | 合成音频检测方法、系统、移动终端及存储介质 | |
CN113837257B (zh) | 一种目标检测方法及装置 | |
CN115358280B (zh) | 轴承信号故障诊断方法、装置、设备及存储介质 | |
CN116129224A (zh) | 检测模型的训练方法、分类方法、装置及电子设备 | |
CN111046923A (zh) | 一种基于边界框的图像目标检测方法、装置及存储介质 | |
CN112825116B (zh) | 监控视频图像人脸检测和追踪方法、装置、介质及设备 | |
CN117693754A (zh) | 训练用于图像修复的经掩模的自动编码器 | |
CN115629930B (zh) | 基于dsp系统的故障检测方法、装置、设备及存储介质 | |
CN117894036A (zh) | 基于边缘设备的行人目标检测方法、装置、设备及介质 | |
CN112001258B (zh) | 物流货车准时到站识别方法、装置、设备和存储介质 | |
CN111476144B (zh) | 行人属性识别模型确定方法、装置及计算机可读存储介质 | |
CN113392455A (zh) | 基于深度学习的户型图比例尺检测方法、装置及电子设备 | |
CN117746015A (zh) | 小目标检测模型训练方法、小目标检测方法及相关设备 | |
CN117113174A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN116935142A (zh) | 多标签分类模型的训练方法、多标签分类的方法及产品 | |
CN116682076A (zh) | 面向船舶安全监管的多尺度目标检测方法、系统及设备 | |
CN116258873A (zh) | 一种位置信息确定方法、对象识别模型的训练方法及装置 | |
CN113537169B (zh) | 手势识别方法、设备、存储介质和计算机程序产品 | |
CN113837008A (zh) | 硬度识别方法、装置、电子设备及存储介质 | |
CN109740671B (zh) | 一种图像识别方法及装置 | |
CN116309274B (zh) | 图像中小目标检测方法、装置、计算机设备及存储介质 |
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 |