CN116415182A - 基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法 - Google Patents
基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法 Download PDFInfo
- Publication number
- CN116415182A CN116415182A CN202310387906.2A CN202310387906A CN116415182A CN 116415182 A CN116415182 A CN 116415182A CN 202310387906 A CN202310387906 A CN 202310387906A CN 116415182 A CN116415182 A CN 116415182A
- Authority
- CN
- China
- Prior art keywords
- layer
- low
- carbon steel
- convolution
- arc additive
- 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
Links
- 229910001209 Low-carbon steel Inorganic materials 0.000 title claims abstract description 95
- 239000000654 additive Substances 0.000 title claims abstract description 87
- 230000000996 additive effect Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000002347 injection Methods 0.000 title claims abstract description 16
- 239000007924 injection Substances 0.000 title claims abstract description 16
- 239000000463 material Substances 0.000 claims abstract description 83
- 238000013508 migration Methods 0.000 claims abstract description 44
- 230000005012 migration Effects 0.000 claims abstract description 44
- 230000001364 causal effect Effects 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000009499 grossing Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims description 88
- 230000015556 catabolic process Effects 0.000 claims description 61
- 238000006731 degradation reaction Methods 0.000 claims description 61
- 238000012549 training Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 17
- 238000013526 transfer learning Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 8
- 239000000284 extract Substances 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000005065 mining Methods 0.000 abstract description 2
- 230000008021 deposition Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000006378 damage Effects 0.000 description 7
- 238000009661 fatigue test Methods 0.000 description 7
- 238000012733 comparative method Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010011906 Death Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/096—Transfer learning
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明提供一种基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其包括：提取电弧增材低碳钢材料AE信号数据的低维隐藏特征；平滑低维隐藏特征，降低随机不确定性影响；构建表征隐藏特征空间关系的因果关系网络，实现非欧式空间特征因果关系挖掘；基于图注意力网络模型，实现非欧式空间内多特征信息融合；基于不同迁移学习策略，探索泛化能力较高的迁移策略，实现有限数量电弧增材低碳钢材料的疲劳裂纹大小估计。本发明自动提取特征，集成了数据的时间和空间特性，能更好地挖掘数据中的关键信息，具有良好的可迁移性，有效解决有限数据下，由于电弧增材逐层熔融沉积成型所造成的材料疲劳特性各向异性条件下的裂纹在线评估问题。
Description
技术领域
本发明属于故障诊断技术领域，特别是一种基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法。
背景技术
关键设备的关键部件在恶劣环境下工作时通常会因磨损、腐蚀、疲劳和冲击等失效。针对这些部件的恢复和维修可以使寿命终止状态恢复到能够执行后续任务的新状态，从而减少原材料的使用和全寿命周期成本。增材再制造是一种技术过程，它采用一系列相关的先进制造技术，基于失效分析和寿命评估，对损坏或报废的部件进行再制造和修复，使再制造产品的质量达到新产品的质量。电弧增材制造(WAAM)与传统焊接相似，但具有更高的效率和精度。WAAM使用逐层构建的方法生成零件，因此零件的不同区域经历不同的热循环和热积累，这进一步导致每个沉积层之间的不同微观结构。与传统加工的材料相比，WAAM独特的加工条件导致了其力学性能具有各向异性的特点，因此，各个方向的疲劳评估模型不具有通用性。作为结构中最常见的失效模式之一，疲劳损伤严重影响WAAM结构的长期耐久性。因此，实现准确的、考虑不同方向各向异性的在线疲劳裂纹评估对结构系统的安全性、可靠性和可承受性而言至关重要。
声发射(AE)作为一种有前途的无损检测技术已广泛用于各种结构的损伤识别。当裂纹发生或传播时，能量以弹性波的形式释放，AE传感器可以捕捉到这种弹性波。与其他无损检测技术相比，声发射技术对轻微损伤更为敏感，信号本身包含了与损伤机制和损伤过程相关的损伤信息。尽管现阶段在使用声发射技术进行损伤检测方面进行了大量研究，但获得准确的损伤估计仍然是一个挑战。AE信号数据本质上是统计的且受许多因素比如材料、几何形状、仪器和操作员等的影响。传统的方法是根据专家经验从AE信号中提取的特征用于描述损伤过程，例如振幅、计数、持续时间、能量和上升时间等。但是，由于各向异性所造成的声发射信号改变往往具有不确定大、信噪比低的特点，传统的声发射信号提取及损伤估计方法难以实现准确的裂纹大小评估。近年来，随着大量数据的获取以及计算机软件、硬件性能的大幅提升，深度学习方法得到了快速发展。与传统的机器学习方法不同，深度学习方法可以从原始数据中自动发现和提取特定任务所需要的信息。同时，深度学习通常需要大量的训练数据。而在疲劳裂纹大小评估这一问题中，机器学习方法和深度学习方法的研究和应用还很少。AE信号具有高灵敏度、高频率和高维度等特点，人工提取的特征难以满足所有任务的需求。因此，传统的方法难以实现准确地裂纹大小评估，基于深度学习和AE信号，寻求一种基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，以自动从AE信号中提取信息，实现相应的裂纹大小评估是十分迫切且必要的。
发明内容
本发明针对上述现有技术中的缺陷，提出一种基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法。该方法包括提取电弧增材低碳钢材料AE信号数据的低维隐藏特征；平滑低维隐藏特征，获得平滑低维特征；构建因果关系网络；基于图注意力网络模型，获得退化裂纹大小；训练获得退化裂纹大小评估网络权重；基于迁移学习，采用迁移策略通过微调获得电弧增材低碳钢材料有限数据量新试件的退化裂纹大小，迁移策略包括第一迁移策略、第二迁移策略、第三迁移策略和第四迁移策略。本发明所提方法不需要人为提取特征，集成了数据的时间和空间特性，能够更好地挖掘原始数据中的关键信息，在不同方向试件的疲劳评估上具有良好的可迁移性，能够有效解决监测数据有限的试件在线退化裂纹大小的评估。
本发明提供一种基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其包括以下步骤：
S1、提取电弧增材低碳钢材料AE信号数据的低维隐藏特征：采集电弧增材低碳钢材料的原始AE信号数据作为输入数据，采用一维卷积自动编码器在样本维度上对电弧增材低碳钢材料的AE信号数据进行重构，学习能够表征高维AE信号状态的低维隐藏特征；一维卷积自动编码器包括卷积层和反卷积层，卷积层包括前N-1层卷积层和第N层卷积层，反卷积层包括前N-1层反卷积层和第N层反卷积层，前N-1层卷积层均采用ReLU激活函数，前N-1层反卷积层均采用ReLU激活函数，第N层反卷积层采用Sigmoid激活函数；
S2、平滑低维隐藏特征，获得平滑低维特征：对一维卷积自动编码器得到的针对电弧增材低碳钢材料的低维隐藏特征在特征维度上进行数据平滑处理，获得平滑低维特征；
S3、构建因果关系网络：采用因果发现算法挖掘针对电弧增材低碳钢材料的平滑低维特征之间所存在的因果关系，构建因果关系网络；
S4、基于图注意力网络模型，获得电弧增材低碳钢材料的退化裂纹大小：以平滑低维特征数据和因果关系网络作为输入，利用通过图注意力层聚合因果关系网络图中节点与边之间的信息，构建电弧增材低碳钢材料裂纹表征向量，进而通过全连接层映射到退化裂纹大小样本空间，获得退化裂纹大小；所有图注意力层均采用ReLU激活函数，最后一层全连接层采用Sigmoid激活函数；
S5、训练获得电弧增材低碳钢材料退化裂纹大小评估网络权重：针对电弧增材低碳钢材料试件的AE信号数据，基于步骤S1至步骤S4进行训练，获得退化裂纹大小评估网络权重；
S6、基于迁移学习，获得电弧增材低碳钢材料有限数据量的新试件的退化裂纹大小：针对电弧增材低碳钢材料有限数据量的新试件的AE信号数据，基于迁移学习不同策略，将步骤S5得到的电弧增材低碳钢材料退化裂纹大小评估网络权重及结果迁移到新试件的裂纹大小预测中，并通过微调获得新试件上的退化裂纹大小。在此过程中挖掘最有效和最具有泛化能力的模型迁移策略，实现对小样本下电弧增材钢材料退化裂纹大小的评估；
S61、退化裂纹大小评估网络权重中，基于步骤S1训练好的一维卷积自动编码器，直接迁移到新试件上进行电弧增材低碳钢材料原始AE信号数据的降维，所提取的低维隐藏特征基于步骤S2中的数据平滑获得平滑低维特征；
S62、退化裂纹大小评估网络权重中，基于步骤S3训练好的因果关系网络，直接迁移到新试件上作为步骤S4中的图注意力网络模型的输入；
S63、退化裂纹大小评估网络权重中，基于步骤S4训练好的图注意力网络模型与全连接层迁移到新试件上后，基于新试件的AE信号数据采用迁移策略进行微调训练：迁移策略包括第一迁移策略、第二迁移策略、第三迁移策略和第四迁移策略。
进一步，步骤S63中第一迁移策略仅对全连接网络进行微调训练，命名为2L；第二迁移策略对全连接网络和图注意力网络的最后一层进行微调训练，命名为2L+1G；第三迁移策略对全连接网络和图注意力网络的最后两层进行微调训练，命名为2L+2G；第四迁移策略对全连接网络和图注意力网络进行微调训练，命名为2L+3G。
可优选的，步骤S1中一维卷积自动编码器的卷积层设有6层，反卷积层设有6层；第一层卷积层和第六层反卷积层的卷积核大小均设为80，第二层、第三层和第四层卷积层与第三层、第四层和第五层反卷积层的卷积核大小均设为60，第五层卷积层与第二层反卷积层的卷积核大小均设为40，第六层卷积层与第一层反卷积层的卷积核大小均设为20；第二层、第三层、第四层、第五层和第六层卷积层与第一层、第二层、第三层、第四层和第五层反卷积层的步幅大小均设为2，第一层卷积层与第六层反卷积层的步幅大小均设为4；第一层和第五层卷积层与第一层和第五层反卷积层的输出通道数均设为8，第二层和第四层卷积层与第二层和第四层反卷积层的输出通道数均设为16，第三层卷积层与第三层反卷积层的输出通道数均设为32，第六层卷积层与第六层反卷积层的输出通道数均设为1；步骤S4中图注意力网络模型中的图注意力层设有3层，全连接层设有2层，第一层图注意力层的输出通道数设为2，第二层和第三层图注意力层的输出通道数均设为3；第一层、第二层和第三层图注意力层的注意力机制头数均设为10。
可优选的，步骤S1中一维卷积自动编码器的隐含层输出维度数远小于隐含层输入维度数，强迫一维卷积自动编码器学习最能表征原始AE信号数据的低维隐藏特征。
可优选的，步骤S2中数据平滑采用Savitzky-Golay滤波器；步骤S3中因果发现算法采用GOLEM算法。
可优选的，Savitzky-Golay滤波器的多项式阶数设为3，平滑窗口长度设为正奇整数。
可优选的，步骤S4中图注意力网络模型中的优化器采用Adam，损失函数采用平均绝对误差MAE。
与现有技术相比，本发明的技术效果为：
1、本发明提出的一种基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，所提方法不需要人为提取特征，可以自动提取电弧增材低碳钢材料AE信号中的特征，并基于因果发现算法和图神经网络实现相应的退化裂纹大小评估。举例而言，在步骤S61、退化裂纹大小评估网络权重中，基于步骤S1训练好的一维卷积自动编码器，直接迁移到新试件上进行电弧增材低碳钢材料原始AE信号数据的降维，不需要对一维卷积自动编码器进行微调，所提取的低维隐藏特征基于步骤S2中的数据平滑获得平滑低维特征。
2、本发明提出的一种基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，通过因果发现算法挖掘低维特征之间的因果网络空间结构，并基于图神经网络模型聚合因果网络中多特征的信息；与仅考虑数据之间时间相关性的现有技术方法(如卷积神经网络等)不同，所提出方法集成了数据的时间和空间特性，实现对非欧式空间内特征的融合，能够更好地挖掘原始数据中的关键信息。
3、本发明提出的一种基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，所提方法解决了不同方向上疲劳各向异性的问题，具有不同方向模型间良好的可迁移性，在某一试件数据上训练好的框架迁移到新试件上时，仅对图神经网络模型进行微调即可实现在新试件上的退化裂纹大小评估，能够有效解决监测数据有限的电弧增材低碳钢材料试件的在线疲劳裂纹大小评估问题。
4、本发明提出了一种可以实现电弧增材制造低碳钢的不同方向样件的疲劳裂纹评估方法，所提方法具有良好的可迁移性，在一个方向的样件上获得的疲劳裂纹评估方法，仅对图神经网络模型进行微调即可实现对于另一个方向的样件的疲劳裂纹进行评估，能够有效解决由于电弧增材层层堆积的特殊工艺所带来的具有各向异性特点的疲劳裂纹评估问题。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。
图1是本发明的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法流程图；
图2是本发明的一个具体实施例中疲劳裂纹预测方法流程示意图；
图3a和图3b分别是本发明的某一组样本原始AE信号和经过一维卷积自动编码器重构的信号示意图；
图4a和图4b分别是是本发明的一个具体实施例中经过平滑前后的某一维特征示意图；
图5是本发明的一个具体实施例中构建相应的因果关系网络示意图；
图6是本发明的一个具体实施例中训练完成得到的裂纹预测结果示意图；
图7a是本发明的一个具体实施例中在试件1上训练好的退化裂纹大小评估网络权重迁移到新试件2上的实验结果及对比方法实验结果对比图；
图7b是本发明的一个具体实施例中在试件1上训练好的退化裂纹大小评估网络权重迁移到新试件3上的实验结果及对比方法实验结果对比图；
图7c是本发明的一个具体实施例中在试件1上训练好的退化裂纹大小评估网络权重迁移到新试件4上的实验结果及对比方法实验结果对比图；
图7d是本发明的一个具体实施例中在试件1上训练好的退化裂纹大小评估网络权重迁移到新试件5上的实验结果及对比方法实验结果对比图；
图7e是本发明的一个具体实施例中在试件1上训练好的退化裂纹大小评估网络权重迁移到新试件6上的实验结果及对比方法实验结果对比图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了本发明的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，该方法包括以下步骤：
S1、提取电弧增材低碳钢材料AE信号数据的低维隐藏特征：采集电弧增材低碳钢材料的原始AE信号数据作为输入数据，采用一维卷积自动编码器在样本维度上对电弧增材低碳钢材料的AE信号数据进行重构，学习能够表征高维AE信号状态的低维隐藏特征。
试验针对电弧增材材料进行不同方向的取样，制成标准疲劳试件。试验使用MTS伺服液压疲劳试验机对样品进行疲劳加载，直至断裂。在试验的过程中同时采用显微镜记录裂纹的长度和采用声发射设备采集超声信号。
试验系统可分为疲劳试验系统、裂纹扩展成像系统和声发射监测系统三部分。疲劳试验系统主要指疲劳试验机，在实验设定的加载条件下对试件进行循环加载，并输出力和循环次数的信息。裂纹扩展成像系统主要包括电子显微镜、支架、显示器等，用以观察和记录疲劳试验过程中不同阶段的裂纹尺寸和形状。此外，利用原位声发射监测和采集设备获取整个疲劳过程的原位声发射信号数据。
选用两个声发射传感器附着到试件表面，由于疲劳试件整体尺寸较小，传感器与裂纹尖端距离较近，传统的缠胶带方法会影响试件的受力，所以根据试件和传感器探头的大小采用合适的夹具进行固定，在不影响试件受力和裂纹扩展的前提下将传感器探头固定在试件表面，润滑脂耦合剂用于在样品和传感器之间提供可靠的声学耦合。两个传感器均采用独立通道和门限触发方法。设置合适的阈值，用于在背景噪声和与裂纹相关的超声波信号之间进行噪声过滤。本实施例中，根据ASTM E976标准的验证程序，每次试验前需要进行三次断铅测试以确保传感器和材料表面之间的灵敏度。一维卷积自动编码器的卷积层设有6层，反卷积层设有6层；前5层卷积层均采用ReLU激活函数，前5层反卷积层均采用ReLU激活函数，第6层反卷积层采用Sigmoid激活函数。
第一层卷积层和第六层反卷积层的卷积核大小均设为80，第二层、第三层和第四层卷积层与第三层、第四层和第五层反卷积层的卷积核大小均设为60，第五层卷积层与第二层反卷积层的卷积核大小均设为40，第六层卷积层与第一层反卷积层的卷积核大小均设为20。
第二层、第三层、第四层、第五层和第六层卷积层与第一层、第二层、第三层、第四层和第五层反卷积层步幅大小均设为2，第一层卷积层与第六层反卷积层的步幅大小均设为4。
第一层和第五层卷积层与第一层和第五层反卷积层的输出通道数均设为8，第二层和第四层卷积层与第二层和第四层反卷积层的输出通道数均设为16，第三层卷积层与第三层反卷积层的输出通道数均设为32，第六层卷积层与第六层反卷积层的输出通道数均设为1。
一维卷积自动编码器的隐含层输出维度数远小于输入AE信号维度数，使一维卷积自动编码器学习最能表征原始AE信号数据的低维隐藏特征。
S2、平滑低维隐藏特征，获得平滑低维特征：对一维卷积自动编码器得到的针对电弧增材低碳钢材料的低维隐藏特征在特征维度上进行数据平滑处理，降低随机性对提出特征质量的影响，获得平滑低维特征。
数据平滑采用Savitzky-Golay滤波器。Savitzky-Golay滤波器是一种基于最小二乘估计的有限数字滤波器。Savitzky-Golay滤波器的多项式阶数设为3，平滑窗口长度设为正奇整数，可以根据样本个数确定，窗口长度值越大，平滑效果越明显。
S3、构建因果关系网络：采用因果发现算法挖掘针对电弧增材低碳钢材料的平滑低维特征之间所存在的因果关系，构建因果关系网络；采用因果发现算法采用GOLEM算法，通过挖掘电弧增材低碳钢的平滑低维特征之间的空间关系，更合理地刻画不同特征之间的相互影响关系，构成非欧式空间内的特征表征。
S4、基于图注意力网络模型，获得电弧增材低碳钢材料的退化裂纹大小：以平滑低维特征数据和因果关系网络作为输入，实现对因果关系网络内多维特征信息融合。利用通过图注意力层聚合因果关系网络图中节点与边之间的信息，构建电弧增材低碳钢材料裂纹表征向量，进而通过全连接层映射到退化裂纹大小样本空间，获得退化裂纹大小；所有图注意力层均采用ReLU激活函数，最后一层全连接层采用Sigmoid激活函数；具体为：
图注意力网络模型中的图注意力层设有3层，全连接层设有2层，通过图注意力层聚合因果关系网络图中节点与边之间的信息，通过全连接层映射到电弧增材低碳钢材料的退化裂纹大小样本空间，获得退化裂纹大小。
所有图注意力层均采用ReLU激活函数，最后一层全连接层采用Sigmoid激活函数。
第一层图注意力层的输出通道数设为2，第二层和第三层图注意力层的输出通道数均设为3；第一层、第二层和第三层图注意力层的注意力机制头数均设为10。
图注意力网络模型中的优化器采用Adam，损失函数采用平均绝对误差MAE。
现有方法多是基于卷积操作实现多特征信息融合，但无法有效确定特征融合策略，需要训练复杂的模型才可以实现较高的裂纹评估准确性。与现有方法不同的是，本专利中采用的因果关系可以表征特征间真实的相互影响关系，其表征更有效、更简洁，可以大大提高电弧增材低碳钢材料的退化特征质量。同时，因果关系可以更好的提升图注意力网络多特征融合效能，实现对因果关系网络上相邻特征节点的信息融合，融合策略更为有效；利用多特征间的有向无环因果关系图注意力网络参数大大降低，尽可能的避免了模型过拟合风险，同时提高了模型训练效率和稳定性。
S5、训练获得电弧增材低碳钢材料退化裂纹大小评估网络权重：针对电弧增材低碳钢材料试件的AE信号数据，基于步骤S1至步骤S4进行训练，获得退化裂纹大小评估网络权重。
S6、基于迁移学习，获得电弧增材低碳钢材料有限数据量的新试件的退化裂纹大小：针对电弧增材低碳钢材料有限数据量的新试件的AE信号数据，基于迁移学习，将步骤S5得到的电弧增材低碳钢材料退化裂纹大小评估网络权重及结果迁移到新试件的裂纹大小预测中，并通过微调获得新试件上的退化裂纹大小。本发明通过对不同迁移策略的充分研究，提出在电弧增材低碳钢材料裂纹评估中有效和泛化能力较好的几种迁移策略。
S61、退化裂纹大小评估网络权重中，基于步骤S1训练好的一维卷积自动编码器，直接迁移到新试件上进行电弧增材低碳钢材料原始AE信号数据的降维，不需要对一维卷积自动编码器进行微调，所提取的低维隐藏特征基于步骤S2中的数据平滑获得平滑低维特征；
S62、退化裂纹大小评估网络权重中，基于步骤S3训练好的因果关系网络，直接迁移到新试件上作为步骤S4中的图注意力网络模型的输入。
S63、退化裂纹大小评估网络权重中，基于步骤S4训练好的图注意力网络模型与全连接层迁移到新试件上后，基于新试件的AE信号数据采用迁移策略进行微调训练：迁移策略包括第一迁移策略、第二迁移策略、第三迁移策略和第四迁移策略。
第一迁移策略仅对全连接网络进行微调训练，命名为2L；第二迁移策略对全连接网络和图注意力网络的最后一层进行微调训练，命名为2L+1G；第三迁移策略对全连接网络和图注意力网络的最后两层进行微调训练，命名为2L+2G；第四迁移策略对全连接网络和图注意力网络进行微调训练，命名为2L+3G。
在一个具体实施例中，结合采集自5个电弧增材制造低碳钢材料试件和1个热轧低碳钢材料试件的AE信号数据，对本发明的疲劳裂纹预测方法做进一步的案例验证。
表1是实验中6个试件的详细信息，本发明提出的疲劳裂纹预测方法在试件1上进行训练，训练后的框架被迁移到与其同材料同方向、同材料不同方向或不同材料的试件2-6上，实现相应的退化裂纹大小评估。
表1
采用本发明提出的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，如图2所示，其具体实施步骤如下：
S1、提取电弧增材低碳钢材料AE信号数据的低维隐藏特征：采集电弧增材低碳钢材料的原始AE信号数据作为输入数据，采用一维卷积自动编码器在样本维度上对电弧增材低碳钢材料AE信号数据进行重构，学习能够表征高维AE信号状态的低维隐藏特征。
将试件1的AE信号作为输入，采用一维卷积自动编码器(架构如表2所示)对其进行降维，隐含层的输出维度设置为48，因此原始9996维的AE信号通过一维卷积自动编码器被降维到48维。图3a和图3b(图中横坐标为采样时刻，纵坐标为信号幅值)分别展示了某一组样本的原始AE信号和经过一维卷积自动编码器重构的信号，可以发现该一维卷积自动编码器能够较好地对输入数据进行重构，并具有一定的降噪效果。因此，其隐含层输出的低维特征包含了较多能够表征原始数据的关键信息。
S2、平滑低维隐藏特征，获得平滑低维特征：对一维卷积自动编码器得到的针对电弧增材低碳钢材料的低维隐藏特征在特征维度上进行数据平滑处理，获得平滑低维特征。
采用Savitzky-Golay滤波器对一维卷积自动编码器所输出的低维隐藏特征进行平滑，其多项式阶数设置为3，窗口长度设置为751。图4a和图4b(图中横坐标为采样时刻，纵坐标为信号幅值)分别展示了经过平滑前后的某一维特征，可以发现经过Savitzky-Golay滤波器平滑后的特征趋势更加明显。
表2
S3、构建因果关系网络：采用因果发现算法挖掘针对电弧增材低碳钢材料的平滑低维特征之间所存在的因果关系，构建因果关系网络；因果发现算法采用GOLEM算法。
针对平滑后的48维特征，采用GOLEM因果发现算法挖掘这些特征之间所存在的因果关系，构建相应的因果关系网络如图5所示。
S4、基于图注意力网络模型，获得电弧增材低碳钢材料的退化裂纹大小：以平滑低维特征数据和因果关系网络作为输入，通过图注意力层聚合因果关系网络图中节点与边之间的信息，通过全连接层映射到电弧增材低碳钢材料的退化裂纹大小样本空间，获得退化裂纹大小。
所采用的图注意力网络模型架构如表3所示。
S5、训练获得电弧增材低碳钢材料退化裂纹大小评估网络权重。在该模型的训练过程中，采用Adam优化器，训练集比例为0.7，批大小Batch Size是500，初始学习率为0.0001，迭代次数为3000，损失函数为平均绝对误差MAE。训练完成得到的电弧增材低碳钢材料裂纹预测结果如图6所示。
为验证本发明框架的有效性，采用如下三种对比方法：
其一为卷积神经网络CNN。将原始AE信号数据作为输入，直接通过卷积神经网络实现电弧增材低碳钢材料裂纹大小的预测。本实施例中卷积神经网络的框架如表4所示。
表3
表4
其二为一维卷积自动编码器+人工神经网络。将平滑后的一维卷积自动编码器输出的48维特征作为输入，通过人工神经网络ANN实现相应的电弧增材低碳钢材料裂纹长度预测。
其三为相关性网络+图注意力网络。基于皮尔逊相关性系数的计算构建平滑后的48维特征之间的相关性网络，之后同样采用图注意力网络实现相应的电弧增材低碳钢材料裂纹长度预测；与本发明提出的框架相比不同之处在于将其中的因果关系网络替换为相关性网络。
最终得到本发明所提出方法与对比方法的对比结果如表5所示，可以发现本发明所提出的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法在试件1的裂纹大小预测实验中表现最优，这也验证了所提方法的有效性。
表5
S6、基于迁移学习，获得电弧增材低碳钢材料有限数据量新试件的退化裂纹大小。
在试件1上训练好的退化裂纹大小评估网络权重迁移到试件2-6上，并通过适当的微调训练实现在新试件上的退化裂纹大小评估。
为验证本发明所提出的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法在迁移过程中的有效性，在该实施例中采用如下三种对比方法：
其一为重新训练(Retrain)。在试件1上训练好的3层图注意力网络及2层全连接层的权重参数不进行迁移，在新试件上从初始化权重开始对这3层图注意力网络及2层全连接层进行重新训练。
其二为卷积神经网络(CNN)。将在试件1上训练好的卷积神经网络迁移到新试件中，并对所有网络层进行微调训练。
其三为直接迁移不训练(NoTrain)。将在试件1上训练好的所提出框架直接迁移到新试件上，并不进行任何微调训练。
在迁移到新试件上的训练过程中，批大小Batch Size设置为100，初始学习率设置为0.00005，其余参数与在试件1上的训练过程一致。除此之外，为更全面地对比本发明所提方法的有效性，在迁移到新试件上时分别基于不同的训练集比例(0.1-0.9)进行实验。
最终得到将在试件1上训练好的退化裂纹大小评估网络权重迁移到新试件2-6上的实验结果及对比方法实验结果如图7a～图7e所示。可以发现，在试件1上训练的基于因果网络和图注意力网络疲劳裂纹预测方法，再迁移到与训练试件相同材料或不同材料的新试件上时仍然具有良好的表现，仅需要新试件数据的20％至30％用于微调图注意力网络模型即可以获得令人满意的结果。此外，对于本文提出的4种迁移策略，整体来看2L+1G、2L+2G和2L+3G具有良好且稳定的性能。另一方面，从对尽量较少的层进行微调训练以提高模型效率的角度来看，2L+1G迁移策略更被推荐采用。
综合以上在实施例中的结果可以发现，本发明所提方法不仅能够实现准确地电弧增材低碳钢材料裂纹大小预测，同时在某一试件上训练好的框架可以通过框架迁移的方式，实现在新试样上的疲劳裂纹尺寸评估；所提出的框架不仅可以应用于与训练试件相同材料和相同AE信号方向的新试样，还可以应用于不同AE信号方向和不同材料的新试样。这一良好的可迁移特性对于实现有限数据试件的在线裂纹大小预测而言意义重大。
本发明提出的一种基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，所提方法不需要人为提取特征，可以自动提取电弧增材低碳钢材料AE信号中的特征，并基于因果发现算法和图神经网络实现疲劳试件裂纹特征间关系表征和融合，实现不同方向试件相应的退化裂纹大小评估；通过因果发现算法挖掘低维特征之间的因果网络空间结构，并基于图神经网络模型聚合因果网络中包含的信息；与仅考虑数据之间时间相关性的现有技术方法如卷积神经网络等不同，所提出方法集成了数据的时间和空间特性，能够更好地挖掘原始数据中的关键信息；所提方法具有良好的可迁移性，在某一试件数据上训练好的框架迁移到新试件上时，仅对图神经网络模型进行微调即可实现在新试件上的退化裂纹大小评估，能够有效解决监测数据有限的电弧增材低碳钢材料试件的在线退化裂纹大小评估问题。
最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，其包括以下步骤：
S1、提取电弧增材低碳钢材料AE信号数据的低维隐藏特征：采集电弧增材低碳钢材料的原始AE信号数据作为输入数据，采用一维卷积自动编码器在样本维度上对电弧增材低碳钢材料的AE信号数据进行重构，学习能够表征高维AE信号状态的低维隐藏特征；一维卷积自动编码器包括卷积层和反卷积层，卷积层包括前N-1层卷积层和第N层卷积层，反卷积层包括前N-1层反卷积层和第N层反卷积层，前N-1层卷积层均采用ReLU激活函数，前N-1层反卷积层均采用ReLU激活函数，第N层反卷积层采用Sigmoid激活函数；
S2、平滑低维隐藏特征，获得平滑低维特征：对一维卷积自动编码器得到的针对电弧增材低碳钢材料的低维隐藏特征在特征维度上进行数据平滑处理，降低随机性对提出特征质量的影响，获得平滑低维特征；
S3、构建因果关系网络：采用因果发现算法挖掘针对电弧增材低碳钢材料的平滑低维特征之间所存在的因果关系，构建因果关系网络；
S4、基于图注意力网络模型，获得电弧增材低碳钢材料的退化裂纹大小：以平滑低维特征数据和因果关系网络作为输入，利用通过图注意力层聚合因果关系网络图中节点与边之间的信息，构建电弧增材低碳钢材料裂纹表征向量，进而通过全连接层映射到退化裂纹大小样本空间，获得退化裂纹大小；所有图注意力层均采用ReLU激活函数，最后一层全连接层采用Sigmoid激活函数；
S5、训练获得电弧增材低碳钢材料退化裂纹大小评估网络权重：针对电弧增材低碳钢材料试件的AE信号数据，基于步骤S1至步骤S4进行训练，获得退化裂纹大小评估网络权重；
S6、基于迁移学习，获得电弧增材低碳钢材料有限数据量的新试件的退化裂纹大小：针对电弧增材低碳钢材料有限数据量的新试件的AE信号数据，基于迁移学习，将步骤S5得到的电弧增材低碳钢材料退化裂纹大小评估网络权重及结果迁移到新试件的裂纹大小预测中，并通过微调获得新试件上的退化裂纹大小；
S61、退化裂纹大小评估网络权重中，基于步骤S1训练好的一维卷积自动编码器，直接迁移到新试件上进行电弧增材低碳钢材料原始AE信号数据的降维，所提取的低维隐藏特征基于步骤S2中的数据平滑获得平滑低维特征；
S62、退化裂纹大小评估网络权重中，基于步骤S3训练好的因果关系网络，直接迁移到新试件上作为步骤S4中的图注意力网络模型的输入；
S63、退化裂纹大小评估网络权重中，基于步骤S4训练好的图注意力网络模型与全连接层迁移到新试件上后，基于新试件的AE信号数据采用迁移策略进行微调训练：迁移策略包括第一迁移策略、第二迁移策略、第三迁移策略和第四迁移策略。
2.根据权利要求1的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，步骤S63中第一迁移策略仅对全连接网络进行微调训练，命名为2L；第二迁移策略对全连接网络和图注意力网络的最后一层进行微调训练，命名为2L+1G；第三迁移策略对全连接网络和图注意力网络的最后两层进行微调训练，命名为2L+2G；第四迁移策略对全连接网络和图注意力网络进行微调训练，命名为2L+3G。
3.根据权利要求1的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，步骤S1中一维卷积自动编码器的卷积层设有六层，反卷积层设有六层；第一层卷积层和第六层反卷积层的卷积核大小均设为80，第二层、第三层和第四层卷积层与第三层、第四层和第五层反卷积层的卷积核大小均设为60，第五层卷积层与第二层反卷积层的卷积核大小均设为40，第六层卷积层与第一层反卷积层的卷积核大小均设为20；第二层、第三层、第四层、第五层和第六层卷积层与第一层、第二层、第三层、第四层和第五层反卷积层的步幅大小均设为2，第一层卷积层与第六层反卷积层的步幅大小均设为4；第一层和第五层卷积层与第一层和第五层反卷积层的输出通道数均设为8，第二层和第四层卷积层与第二层和第四层反卷积层的输出通道数均设为16，第三层卷积层与第三层反卷积层的输出通道数均设为32，第六层卷积层与第六层反卷积层的输出通道数均设为1；步骤S4中图注意力网络模型中的图注意力层设有3层，全连接层设有2层，第一层图注意力层的输出通道数设为2，第二层和第三层图注意力层的输出通道数均设为3；第一层、第二层和第三层图注意力层的注意力机制头数均设为10。
4.根据权利要求1的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，步骤S1中一维卷积自动编码器的隐含层输出维度数远小于隐含层输入维度数，强迫一维卷积自动编码器学习最能表征原始AE信号数据的低维隐藏特征。
5.根据权利要求1的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，步骤S2中数据平滑采用Savitzky-Golay滤波器；步骤S3中因果发现算法采用GOLEM算法。
6.根据权利要求5的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，Savitzky-Golay滤波器的多项式阶数设为3，平滑窗口长度设为正奇整数。
7.根据权利要求1的基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法，其特征在于，步骤S4中图注意力网络模型中的优化器采用Adam，损失函数采用平均绝对误差MAE。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310039341 | 2023-01-12 | ||
| CN2023100393419 | 2023-01-12 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116415182A true CN116415182A (zh) | 2023-07-11 |
Family
ID=87057731
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310387906.2A Pending CN116415182A (zh) | 2023-01-12 | 2023-04-12 | 基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116415182A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116991459A (zh) * | 2023-08-18 | 2023-11-03 | 中南大学 | 一种软件多缺陷信息预测方法与系统 |
-
2023
- 2023-04-12 CN CN202310387906.2A patent/CN116415182A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116991459A (zh) * | 2023-08-18 | 2023-11-03 | 中南大学 | 一种软件多缺陷信息预测方法与系统 |
| CN116991459B (zh) * | 2023-08-18 | 2024-04-26 | 中南大学 | 一种软件多缺陷信息预测方法与系统 |
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 | |
| CN112232400B (zh) | 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法 | |
| Wang et al. | Densely connected convolutional networks for vibration based structural damage identification | |
| CN113125095B (zh) | 一种基于深度学习的万能式断路器触头系统剩余机械寿命预测方法 | |
| CN106599920A (zh) | 一种基于耦合隐半马尔可夫模型的航空轴承故障诊断方法 | |
| CN116415182A (zh) | 基于因果和图注意力的电弧增材低碳钢疲劳裂纹预测方法 | |
| CN105116872A (zh) | 一种工业过程中基于度量学习与时间序列的故障诊断方法 | |
| CN110297041A (zh) | 一种基于fcn与gru的3d编织复合材料缺陷检测方法 | |
| CN116226646A (zh) | 轴承健康状态及剩余寿命的预测方法、系统、设备及介质 | |
| CN114742115B (zh) | 滚动轴承故障诊断模型的构建方法及诊断方法 | |
| CN117272102A (zh) | 一种基于双注意力机制的变压器故障诊断方法 | |
| Ramasso et al. | Clustering acoustic emission data streams with sequentially appearing clusters using mixture models | |
| CN112302061A (zh) | 低应变基桩完整性检测信号的智能化快速解释方法 | |
| Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
| CN115859729A (zh) | 基于深度学习的水下井口系统疲劳损伤评估方法及装置 | |
| CN116662743A (zh) | 一种基于多模态深度学习的发动机剩余寿命预测方法 | |
| Parziale et al. | Vibration‐based structural health monitoring exploiting a combination of convolutional neural networks and autoencoders for temperature effects neutralization | |
| Su et al. | High-Similarity-Pass Attention for Single Image Super-Resolution | |
| CN114964782A (zh) | 基于压缩感知的滚动轴承故障诊断声发射信号处理方法、系统 | |
| CN117332352B (zh) | 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 | |
| Liu et al. | Multi-sensor cross-domain fault diagnosis method for leakage of ship pipeline valves | |
| CN117056865A (zh) | 一种基于特征融合的机泵设备运行故障诊断方法及装置 | |
| CN112183260A (zh) | 一种基于总变差降噪与rqa的单向阀故障诊断方法 | |
| Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories | |
| CN111414286A (zh) | 一种基于深度学习的不平衡硬盘数据的故障诊断方法 |
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 |