CN117708596A - 旋转机械故障诊断方法、装置、电子设备及存储介质 - Google Patents
旋转机械故障诊断方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117708596A CN117708596A CN202311744130.1A CN202311744130A CN117708596A CN 117708596 A CN117708596 A CN 117708596A CN 202311744130 A CN202311744130 A CN 202311744130A CN 117708596 A CN117708596 A CN 117708596A
- Authority
- CN
- China
- Prior art keywords
- sample data
- target sample
- fault diagnosis
- source domain
- feature vector
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000006870 function Effects 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims description 121
- 238000004590 computer program Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 12
- 238000009827 uniform distribution Methods 0.000 claims description 9
- 230000009191 jumping Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请适用于旋转机械设备故障诊断技术领域，提供了旋转机械故障诊断方法、装置、电子设备及存储介质是，该旋转机械故障诊断方法包括：基于多个目标样本数据和预设的自适应损失函数，对旋转机械在第一转速下的故障诊断模型进行训练，得到旋转机械在第二转速下的故障诊断模型；其中，目标样本数据为旋转机械在第二转速下的震动信号；预设的自适应损失函数包括加权对比损失函数、早期学习正则函数和邻域聚类损失函数；基于旋转机械在第二转速下的故障诊断模型，对旋转机械在第二转速下的震动信号进行故障诊断。本申请在源数据和目标数据标签缺失的情况下，能很好地使源训练的源模型很好的适应未标记的目标域。
Description
技术领域
本申请属于旋转机械设备故障诊断技术领域，尤其涉及旋转机械故障诊断方法、装置、电子设备及存储介质。
背景技术
随着现代科学技术的发展以及工业自动化程度的提高，机械设备正向大型化、高速化、自动化、智能化方向发展。旋转机械设备经常需要处于高速、重载运行状态，由于高强度的运行和外部环境的多种因素影响，不可避免会出现故障，导致设备不能正常运行使用甚至造成巨大的经济损失和灾难性后果。
在实际工况里，工作条件是复杂多变的，不同的工况下获得的数据分布不相同，并且通常难以获得目标域数据的标签，现有的解决方案是引入无监督域自适应性(Unsupervised Domain Adaptation，UDA)，它的目标是利用标签丰富的源域来改进未标记目标域上的模型性能，从而不需要再对目标数据做费力的注释。
但是，在某些情况下，由于隐私保护，甚至连源域数据都难以获得。为了解决这个问题，现有的无源UDA方法试图通过生成目标特征类似的原型或通过对目标数据进行伪标记来改进源模型。然而，直接从源模型生成原型非常困难，并且伪标记可能由于域位移而导致错误标记，这两种情况都会导致训练结果不佳。因此，为了解决缺少源域数据和目标域数据标签的问题，需要提供一种新的无源UDA方法。
发明内容
为克服缺少源域数据和目标域数据标签的问题，本申请实施例提供了旋转机械故障诊断方法、装置、电子设备及存储介质。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种旋转机械故障诊断方法，包括：
基于多个目标样本数据和预设的自适应损失函数，对所述旋转机械在第一转速下的故障诊断模型进行训练，得到所述旋转机械在第二转速下的故障诊断模型；其中，所述目标样本数据为所述旋转机械在第二转速下的震动信号；所述预设的自适应损失函数包括加权对比损失函数、早期学习正则函数和邻域聚类损失函数；
基于所述旋转机械在第二转速下的故障诊断模型，对所述旋转机械在第二转速下的震动信号进行故障诊断。
第二方面，本申请实施例提供了一种旋转机械故障诊断装置，包括：
训练模块，用于基于多个目标样本数据和预设的自适应损失函数，对所述旋转机械在第一转速下的故障诊断模型进行训练，得到所述旋转机械在第二转速下的故障诊断模型；其中，所述目标样本数据为所述旋转机械在第二转速下的震动信号；所述预设的自适应损失函数包括加权对比损失函数、早期学习正则函数和邻域聚类损失函数；
诊断模块，用于基于所述旋转机械在第二转速下的故障诊断模型，对所述旋转机械在第二转速下的震动信号进行故障诊断。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的旋转机械故障诊断方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的旋转机械故障诊断方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的旋转机械故障诊断方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与相关技术相比存在的有益效果是：本申请实施例，基于多个目标样本数据和预设的自适应损失函数，对旋转机械在第一转速下的故障诊断模型进行训练，得到旋转机械在第二转速下的故障诊断模型；其中，目标样本数据为旋转机械在第二转速下的震动信号；预设的自适应损失函数包括加权对比损失函数、早期学习正则函数和邻域聚类损失函数。最后基于旋转机械在第二转速下的故障诊断模型，对旋转机械在第二转速下的震动信号进行故障诊断。本申请在源数据和目标数据标签缺失的情况下，能很好地使源训练的源模型很好的适应未标记的目标域。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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是本申请一实施例提供的旋转机械故障诊断方法的示意性流程图；
图2是本申请另一实施例提供的旋转机械故障诊断方法的示意性流程图；
图3是本申请一实施例提供的旋转机械故障诊断方法的逻辑结构示意图；
图4是本申请实施例提供的旋转机械故障诊断装置的结构示意图；
图5是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
在某些情况下，由于隐私保护，源域数据难以获得。为了解决这个问题，现有的无源UDA方法试图通过生成目标特征类似的原型或通过对目标数据进行伪标记来改进源模型。然而，直接从源模型生成原型非常困难，并且伪标记可能由于域位移而导致错误标记，这两种情况都会导致训练结果不佳。因此，为了解决缺少源域数据和目标域数据标签的问题，需要提供一种新的无源UDA方法。
基于上述问题，本申请实施例提出一种旋转机械故障诊断方法，将旋转机械在第一转速下的故障诊断模型经过训练，将第一转速下的故障诊断模型自适应于第二转速，基于旋转机械在第二转速下的故障诊断模型，对旋转机械在第二转速下的震动信号进行故障诊断。本申请实施例在源数据和目标数据标签缺失的情况下，也能很好地使源训练的源模型很好的适应未标记的目标域。并且有效地提高了对旋转机械的故障诊断准确率。
以下结合图1对本申请的可视化交互方法进行详细说明。
图1是本申请一实施例提供的旋转机械故障诊断方法的示意性流程图，图2是本申请另一实施例提供的旋转机械故障诊断方法的示意性流程图，参照图1和图2，对该旋转机械故障诊断方法的详述如下：
在S101中，基于多个目标样本数据和预设的自适应损失函数，旋转机械在第一转速下的故障诊断模型进行训练，得到旋转机械在第二转速下的故障诊断模型。
其中，目标样本数据为旋转机械在第二转速下的震动信号。预设的自适应损失函数包括加权对比损失函数、早期学习正则函数和邻域聚类损失函数。故障诊断模型包括特征提取器和分类器。
在本申请的一些实施例中，在基于多个目标样本数据和预设的自适应损失函数，旋转机械在第一转速下的故障诊断模型进行训练，得到旋转机械在第二转速下的故障诊断模型时，可以通过以下步骤得到旋转机械在第二转速下的故障诊断模型：
S1011：将均匀分布函数和多个标签输入训练好的虚拟源域原型生成器，得到各标签所对应的虚拟源域原型的特征向量。
其中，输入训练好的虚拟源域原型生成器的标签为任意实数，即b∈RK，b为输入虚拟源域原型生成器的标签。虚拟源域原型为旋转机械在第一转速下的虚拟振动信号。
应理解，均匀分布函数作为噪声输入训练好的虚拟源域原型生成器。并且，均匀分布函数为标准均匀分布函数a～U(0,1)。
在本申请的实施例中，通过p＝Gs(a,b)得到各标签b所对应的虚拟源域原型的特征向量p。
S1012：将各个目标样本数据输入旋转机械在第一转速下的特征提取器，得到各个目标样本数据的特征向量。
在本申请的实施例中，通过ti＝Gf(xi)得到各个目标样本数据的特征向量ti。
其中，Gf为特征提取器，xi为第i个目标样本数据。
S1013：将各个目标样本数据的特征向量输入旋转机械在第一转速下的分类器，得到对各个目标样本数据的预测概率。
在本申请的实施例中，通过得到对各个目标样本数据的预测概率
其中，Cb为分类器。
S1014：基于虚拟源域原型的特征向量、目标样本数据的特征向量和预测概率，确定加权对比损失、早期学习正则函数值和邻域聚类损失。
具体地，通过以下步骤确定加权对比损失、早期学习正则函数值和邻域聚类损失：
步骤1：通过非线性投影仪Cn将各个目标样本数据的特征向量ti和虚拟源域原型的特征向量p投影到归一化对比特征空间，得到各个目标样本数据的目标对比特征向量y和各标签所对应的源域原型对比特征向量z。即yi＝Cn(ti),zi＝Cn(p)。
步骤2：基于目标对比特征向量y、源域原型对比特征向量z、各个目标样本数据的特征向量ti和预测概率确定加权对比损失Lw,c。
可选的，通过计算第一划分方式下的各个目标样本数据类别的初始质心。
其中，第一划分方式为根据预测概率划分；dk为第一划分方式下的各个目标样本数据类别中第k类目标样本数据的初始质心；nt为第k类目标样本数据中的目标样本总数；为第i个目标样本数据的预测概率，且第i个目标样本数据为第一划分方式下的第k类目标样本数据；ti为第i个目标样本数据的特征向量。
通过确定各个目标样本数据的伪标签。即采用最近质心法生成针对目标样本数据的伪标签。
其中，为第i个目标样本数据的标签，φ(ti,dk)为ti和dk的余弦相似度。
基于各个目标样本数据的特征向量ti和预测概率确定第二划分方式下的各个目标样本数据类别的初始质心
其中，第二划分方式为根据伪标签划分。
应理解，第二划分方式下的各个目标样本数据类别的初始质心的计算方式，可参照上述第一划分方式下的各个目标样本数据类别的初始质心的计算方式。
通过计算各个目标样本数据的置信度权重。
其中，wi为第i个目标样本数据的置信度权重；为第二划分方式下的各个目标样本数据类别中第i个目标样本数据所属的类别的初始质心；σ为超参数。
通过计算加权对比损失。
其中，Lw,c为第i个目标样本数据的加权对比损失；yi为第i个目标对比特征向量；z+为与yi具有相同标签的源域原型对比特征向量；K为标签种类的总数；j为所有标签种类中的某一种类标签；为第j类标签中与yi具有不同标签的源域原型对比特征向量。
步骤3：基于目标对比特征向量和源域原型对比特征向量，确定早期学习正则函数值。
因为处于早期学习阶段的模型对噪声数据的预测能力更强，并且期望样本通过早期预测来规范学习，所以设置内存库F＝{f1,f2,…,fn}记录每个目标样本数据的非参数预测。
可选的，通过计算动量参数。
其中，oi,k(y,z)为动量参数；yi为第i个目标对比特征；zk为第k个源域原型对比特征；σ为超参数；j为所有标签种类中的某一种类标签。
通过fi←γfi+(1-γ)oi更新各个目标样本数据的非参数预测，并记录在内存库F中。
其中，箭头左侧的fi为更新后的第i个目标样本数据的非参数预测，箭头右侧的fi为更新前的第i个目标样本数据的非参数预测，γ为超参数，oi为第i个目标样本数据的动量参数。
通过计算早期学习正则函数值。
其中，Lelr为第i个目标样本数据的早期学习正则函数值。
步骤4：基于各个目标样本数据的特征向量，确定邻域聚类损失。
应理解，通过邻域聚类损失进一步训练特征提取器，可使得目标样本数据的特征更加紧凑。设置一个内存库记录各个目标样本数据的特征向量。
可选的，通过计算归一化相似度。
其中，ni,j为第i个目标样本数据的特征向量与第j个目标样本数据的特征向量的归一化相似度，j为除第i个目标样本数据之外的任一目标样本数据，ti为第i个目标样本数据的特征向量，tj为第j个目标样本数据的特征向量，φ(ti,tj)为ti和tj的余弦相似度，σ为超参数，nt为第i个目标样本数据所属的第一类中所包含的目标样本总数。
通过计算邻域聚类损失。
其中，Ln为第i个目标样本数据的邻域聚类损失。
计算各个目标样本数据的邻域聚类损失时并未使用伪标签，因此得到的紧凑目标样本数据的特征向量对伪标签噪声具有鲁棒性。
S1015：基于加权对比损失、早期学习正则函数值和邻域聚类损失，反向传播更新旋转机械在第一转速下的特征提取器和分类器，得到旋转机械在第二转速下的故障诊断模型。
可选的，上述旋转机械在第二转速下的故障诊断模型的训练过程可进行多次，即在执行S1011之前设置迭代次数n，并将迭代次数n加1，在基于加权对比损失、早期学习正则函数值和邻域聚类损失，反向传播更新旋转机械在第一转速下的特征提取器Gf和分类器Cb之后，判断迭代次数n是否达到了预设迭代次数，若未达到，则跳转至将迭代次数n加1的步骤，然后按照上述S1011-S1014再计算一次加权对比损失、早期学习正则函数值和邻域聚类损失，之后基于本次计算出的加权对比损失、早期学习正则函数值和邻域聚类损失，反向传播更新上一次更新后的特征提取器Gf和分类器Cb，判断此次的迭代次数n是否达到了预设迭代次数……直至迭代次数n超过了预设迭代次数，将最后一次更新后的特征提取器Gf和分类器Cb作为旋转机械在第二转速下的故障诊断模型中的特征提取器Gf和分类器Cb。
本申请通过反复迭代以下过程：生成目标样本数据的伪标签、加权对比对齐(即通过计算出的加权对比损失反向传播更新参数)、早期学习正则化(即通过计算出的早期学习正则函数值反向传播更新参数)和目标邻域聚类(即通过计算出的邻域聚类损失反向传播更新参数)，循环结束输出特征提取器Gf和分类器Cb，实现了无源域自适应。
其中，预设迭代次数为提前设定好的迭代次数。
应理解，上述判断是否继续训练的判定条件可根据实际需要或实际情况进行修改，如通过判断加权对比损失、早期学习正则函数值和邻域聚类损失的范围确定是否需要继续训练，以得到训练好的旋转机械在第二转速下的故障诊断模型。
在本申请的一些实施例中，在将均匀分布函数和多个标签输入训练好的虚拟源域原型生成器，得到各标签所对应的虚拟源域原型的特征向量之前，还包括：训练虚拟源域原型生成器。基于探索源模型(即旋转机械在第一转速下的故障诊断模型)的分类边界信息和对比学习，训练虚拟源域原型生成器生成虚拟源原型的特征向量，虚拟源域原型生成器的训练过程为以下步骤：
步骤A：将更新次数m加1。
步骤B：将均匀分布函数a～U(0,1)和多个第一标签b输入虚拟源域原型生成器Gs，生成各第一标签b所对应的虚拟源域原型的特征向量p。
步骤C：对于每个虚拟源域原型的特征向量p，将该虚拟源域原型的特征向量输旋转机械在第一转速下的分类器Cb，得到该虚拟源域原型的特征向量的第二标签；基于该虚拟源域原型的特征向量对应的第一标签和第二标签，确定交叉熵损失；基于所有虚拟源域原型的特征向量中与该虚拟源域原型的特征向量属于同一第一标签的虚拟源域原型的特征向量，以及其他虚拟源域原型的特征向量，确定原型对比损失。
可选的，通过Lce＝-blogCb(p)确定交叉熵损失。
可选的，通过计算原型对比损失。
其中，k+为与虚拟源域原型的特征向量p具有相同第一标签的虚拟源域原型的特征向量，k-为与虚拟源域原型的特征向量p具有不同第一标签的虚拟源域原型的特征向量。
步骤D：基于各个虚拟源域原型的特征向量的交叉熵损失Lce和原型对比损失反向传播更新虚拟源域原型生成器Gs的参数，得到更新后的的虚拟源域原型生成器Gs。
步骤E：判断更新次数m是否大于预设更新次数。
步骤F：若是，则将此次更新后的虚拟源域原型生成器Gs确定为训练好的虚拟源域原型生成器Gs。
步骤G：否则跳转至步骤A。
在本申请的实施例中，通过在每一次迭代中计算交叉熵损失Lce和原型对比损失并基于交叉熵损失Lce和原型对比损失反向更新虚拟源域原型生成器Gs的参数，得到更新后的虚拟源域原型生成器Gs。通过反复多次迭代，得到了足以混淆旋转机械在第一转速下的分类器Cb的虚拟源域原型生成器Gs。上述得到训练好的虚拟源域原型生成器的训练过程为无源UDA的对比原型生成策略，这种策略可以为每个类生成具有代表性的(类内紧凑和类间分离)虚拟源域原型的特征向量，生成的特征向量可用于帮助传统的UDA方法处理缺少源数据的问题。
在S102中，基于旋转机械在第二转速下的故障诊断模型，对旋转机械在第二转速下的震动信号进行故障诊断。
在本申请的实施例中，将旋转机械在第二转速下的震动信号输入旋转机械在第二转速下的故障诊断模型，即可进行故障诊断。
图3是本申请一实施例提供的旋转机械故障诊断方法的逻辑结构示意图，结合图3，以在江南大学JNU轴承数据集上所做的对比实验为例说明本申请的具体实施方式：
本申请需将某轴承在某一转速下的训练好的源模型适应到另一转速下。采用ResNet作为所有方法的主干网络，用一个权值归一化层和一个用于特定任务的全连接层代替原始的全连接层，并使用SGD优化器进行训练。首先初始化训练轮次m＝0、n＝0、参数、非线性投影仪Cn(由三个全连接层组成)和虚拟源域原型生成器Gs，然后进入第一阶段循环：基于Gs生成特征向量p，计算交叉熵损失Lce和原型对比损失基于本次计算出的交叉熵损失Lce和原型对比损失反向传播并更新Gs的参数，循环M次第一阶段训练结束，得到训练好的虚拟源域原型生成器Gs。进入第二阶段循环，基于训练好的Gs为每个类生成特征向量p，由最近质心法获得目标数据伪标签再通过非线性投影仪得到目标对比特征向量y和源域原型对比特征向量z，进而得到oi,k(y,z)和非参数预测fi，然后计算加权对比损失Lw,c、早期学习正则化器Lelr、目标邻域聚类损失Ln，最后基于本次计算出的加权对比损失Lw,c、早期学习正则化器Lelr、目标邻域聚类损失Ln，反向传播并更新转机械在第一转速下的特征提取器和分类器的参数，训练结束输出源模型特征提取器Gf和分类器Cb，实现源模型对目标域的自适应。
参见表1，分别将转速为600、800、1000r/min的振动数据定义为任务A、B、C，例如：A→B表示将在转速为600r/min的振动数据上得到的源模型适应到目标域为800r/min的数据中。表1中，ResNet是主干网络，MCC是一种有源UDA方法，直接给它提供源数据进行实验，可以看到，即使与使用源数据的先进方法(MCC)相比，本申请的方法依然能取得很有竞争力的结果；PrDA和SHOT是当今两种无源UDA方法，可以看到，本申请的方法在平均诊断准确率上明显优于这两种方法。这充分证明了本申请的方法的优越性。
表1不同方法在江南大学JNU轴承数据集上得到的准确率结果
参见表2，通过给定不同损失函数来优化模型得到的量化结果，不难看出，与传统的对比损失函数Lc(即无置信权重的Lw,c)相比，本申请提出的加权对比损失Lw,c在数据集上取得了更好的效果，此外，本申请引入Lelr和Ln后，进一步提高了性能，本申请将这三种损失加在一起，获得了最佳性能。
表2自适应损失函数(即Lw,c、Lelr、Ln)的消融实验
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的旋转机械故障诊断方法，图4示出了本申请实施例提供的旋转机械故障诊断装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图4，本申请实施例中的旋转机械故障诊断装置可以包括训练模块401和诊断模块402。
其中，训练模块401，用于基于多个目标样本数据和预设的自适应损失函数，对旋转机械在第一转速下的故障诊断模型进行训练，得到旋转机械在第二转速下的故障诊断模型；其中，目标样本数据为旋转机械在第二转速下的震动信号；预设的自适应损失函数包括加权对比损失函数、早期学习正则函数和邻域聚类损失函数。
可选的，诊断模块402，用于基于旋转机械在第二转速下的故障诊断模型，对旋转机械在第二转速下的震动信号进行故障诊断。
可选的，故障诊断模型包括特征提取器和分类器。
训练模块401具体用于：将均匀分布函数和多个标签输入训练好的虚拟源域原型生成器，得到各标签所对应的虚拟源域原型的特征向量；其中，标签为任意实数，虚拟源域原型为旋转机械在第一转速下的虚拟振动信号；将各个目标样本数据输入旋转机械在第一转速下的特征提取器，得到各个目标样本数据的特征向量；将各个目标样本数据的特征向量输入旋转机械在第一转速下的分类器，得到对各个目标样本数据的预测概率；基于虚拟源域原型的特征向量、各个目标样本数据的特征向量和预测概率，确定加权对比损失、早期学习正则函数值和邻域聚类损失；基于加权对比损失、早期学习正则函数值和邻域聚类损失，反向传播更新旋转机械在第一转速下的特征提取器和分类器，得到旋转机械在第二转速下的故障诊断模型。
可选的，训练模块401具体用于：通过非线性投影仪将各个目标样本数据的特征向量和虚拟源域原型的特征向量投影到归一化对比特征空间，得到各个目标样本数据的目标对比特征向量和各标签所对应的源域原型对比特征向量；基于目标对比特征向量、源域原型对比特征向量、各个目标样本数据的特征向量和预测概率，确定加权对比损失；基于目标对比特征向量和源域原型对比特征向量，确定早期学习正则函数值；基于各个目标样本数据的特征向量，确定邻域聚类损失。
可选的，训练模块401具体用于：通过计算第一划分方式下的各个目标样本数据类别的初始质心；其中，第一划分方式为根据预测概率划分；dk为第一划分方式下的各个目标样本数据类别中第k类目标样本数据的初始质心；nt为第k类目标样本数据中的目标样本总数；为第i个目标样本数据的预测概率，且第i个目标样本数据为第一划分方式下的第k类目标样本数据；ti为第i个目标样本数据的特征向量。
通过确定各个目标样本数据的伪标签；其中，为第i个目标样本数据的伪标签，φ(ti,dk)为ti和dk的余弦相似度。
基于各个目标样本数据的特征向量和预测概率，确定第二划分方式下的各个目标样本数据类别的初始质心；其中，第二划分方式为根据伪标签划分。
通过计算各个目标样本数据的置信度权重；其中，wi为第i个目标样本数据的置信度权重；为第二划分方式下的各个目标样本数据类别中第i个目标样本数据所属的类别的初始质心；σ为超参数。
通过计算加权对比损失；其中，Lw,c为第i个目标样本数据的加权对比损失；yi为第i个目标对比特征向量；z+为与yi具有相同标签的源域原型对比特征向量；K为标签种类的总数；j为所有标签种类中的某一种类标签；为第j类标签中与yi具有不同标签的源域原型对比特征向量。
可选的，训练模块401具体用于：通过计算动量参数；其中，oi,k(y,z)为动量参数；yi为第i个目标对比特征；zk为第k个源域原型对比特征；σ为超参数；K为标签种类的总数，j为所有标签种类中的某一种类标签。
通过fi←γfi+(1-γ)oi更新各个目标样本数据的非参数预测；其中，箭头左侧的fi为更新后的第i个目标样本数据的非参数预测，箭头右侧的fi为更新前的第i个目标样本数据的非参数预测，γ为超参数，oi为第i个目标样本数据的动量参数。
通过计算早期学习正则函数值；其中，Lelr为第i个目标样本数据的早期学习正则函数值。
可选的，训练模块401具体用于：通过计算归一化相似度；其中，ni,j为第i个目标样本数据的特征向量与第j个目标样本数据的特征向量的归一化相似度，j为除第i个目标样本数据之外的任一目标样本数据，ti为第i个目标样本数据的特征向量，tj为第j个目标样本数据的特征向量，φ(ti,tj)为ti和tj的余弦相似度，σ为超参数，nt为第i个目标样本数据所属的第一类中所包含的目标样本总数。
通过计算邻域聚类损失；其中，Ln为第i个目标样本数据的邻域聚类损失。
可选的，虚拟源域原型生成器的训练过程包括：将更新次数加1；将均匀分布函数和多个第一标签输入虚拟源域原型生成器，生成各第一标签所对应的虚拟源域原型的特征向量；对于每个虚拟源域原型的特征向量，将该虚拟源域原型的特征向量输入旋转机械在第一转速下的分类器，得到该虚拟源域原型的特征向量的第二标签；基于该虚拟源域原型的特征向量对应的第一标签和第二标签，确定交叉熵损失；基于所有虚拟源域原型的特征向量中与该虚拟源域原型的特征向量属于同一第一标签的虚拟源域原型的特征向量，以及其他虚拟源域原型的特征向量，确定原型对比损失；基于各个虚拟源域原型的特征向量的交叉熵损失和原型对比损失，反向传播更新虚拟源域原型生成器的参数；判断更新次数是否大于预设更新次数；若是，则将此次更新后的虚拟源域原型生成器确定为训练好的虚拟源域原型生成器；否则跳转至将更新次数加1的步骤。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种电子设备，参见图5，该电子设备500可以包括：至少一个处理器510、存储器520以及存储在所述存储器520中并可在所述至少一个处理器510上运行的计算机程序，所述处理器510执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的S101至步骤S102。或者，处理器510执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至402的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器520中，并由处理器510执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在电子设备500中的执行过程。
本领域技术人员可以理解，图5仅仅是电子设备的示例，并不构成对电子设备的限定，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，例如输入输出设备、网络接入设备、总线等。
处理器510可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器520可以是电子设备的内部存储单元，也可以是电子设备的外部存储设备，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。所述存储器520用于存储所述计算机程序以及电子设备所需的其他程序和数据。所述存储器520还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的旋转机械故障诊断方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant，PDA)、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、手机等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述旋转机械故障诊断方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述旋转机械故障诊断方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种旋转机械故障诊断方法，其特征在于，包括：
基于多个目标样本数据和预设的自适应损失函数，对所述旋转机械在第一转速下的故障诊断模型进行训练，得到所述旋转机械在第二转速下的故障诊断模型；其中，所述目标样本数据为所述旋转机械在第二转速下的震动信号；所述预设的自适应损失函数包括加权对比损失函数、早期学习正则函数和邻域聚类损失函数；
基于所述旋转机械在第二转速下的故障诊断模型，对所述旋转机械在第二转速下的震动信号进行故障诊断。
2.如权利要求1所述的旋转机械故障诊断方法，其特征在于，所述故障诊断模型包括特征提取器和分类器；
所述基于多个目标样本数据和预设的自适应损失函数，对所述旋转机械在第一转速下的故障诊断模型进行训练，得到所述旋转机械在第二转速下的故障诊断模型，包括：
将均匀分布函数和多个标签输入训练好的虚拟源域原型生成器，得到各标签所对应的虚拟源域原型的特征向量；其中，所述标签为任意实数，所述虚拟源域原型为所述旋转机械在第一转速下的虚拟振动信号；
将各个目标样本数据输入所述旋转机械在第一转速下的特征提取器，得到各个目标样本数据的特征向量；
将各个目标样本数据的特征向量输入所述旋转机械在第一转速下的分类器，得到对各个目标样本数据的预测概率；
基于所述虚拟源域原型的特征向量、各个目标样本数据的特征向量和预测概率，确定加权对比损失、早期学习正则函数值和邻域聚类损失；
基于所述加权对比损失、所述早期学习正则函数值和所述邻域聚类损失，反向传播更新所述旋转机械在第一转速下的特征提取器和分类器，得到所述旋转机械在第二转速下的故障诊断模型。
3.如权利要求2所述的旋转机械故障诊断方法，其特征在于，所述基于所述虚拟源域原型的特征向量、各个目标样本数据的特征向量和预测概率，确定加权对比损失、早期学习正则函数值和邻域聚类损失，包括：
通过非线性投影仪将各个目标样本数据的特征向量和所述虚拟源域原型的特征向量投影到归一化对比特征空间，得到各个目标样本数据的目标对比特征向量和各标签所对应的源域原型对比特征向量；
基于所述目标对比特征向量、所述源域原型对比特征向量、各个目标样本数据的特征向量和预测概率，确定所述加权对比损失；
基于所述目标对比特征向量和所述源域原型对比特征向量，确定所述早期学习正则函数值；
基于各个目标样本数据的特征向量，确定所述邻域聚类损失。
4.如权利要求3所述的旋转机械故障诊断方法，其特征在于，所述基于所述目标对比特征向量、所述源域原型对比特征向量、各个目标样本数据的特征向量和预测概率，确定所述加权对比损失，包括：
通过计算第一划分方式下的各个目标样本数据类别的初始质心；
其中，所述第一划分方式为根据所述预测概率划分；dk为所述第一划分方式下的各个目标样本数据类别中第k类目标样本数据的初始质心；nt为所述第k类目标样本数据中的目标样本总数；为第i个目标样本数据的预测概率，且所述第i个目标样本数据为第一划分方式下的第k类目标样本数据；ti为第i个目标样本数据的特征向量；
通过确定各个目标样本数据的伪标签；
其中，为第i个目标样本数据的伪标签，φ(ti,dk)为ti和dk的余弦相似度；
基于各个目标样本数据的特征向量和预测概率，确定第二划分方式下的各个目标样本数据类别的初始质心；其中，所述第二划分方式为根据所述伪标签划分；
通过计算各个目标样本数据的置信度权重；
其中，wi为第i个目标样本数据的置信度权重；为所述第二划分方式下的各个目标样本数据类别中第i个目标样本数据所属的类别的初始质心；σ为超参数；
通过计算所述加权对比损失；
其中，Lw,c为第i个目标样本数据的加权对比损失；yi为第i个目标对比特征向量；z+为与yi具有相同标签的源域原型对比特征向量；K为所述标签种类的总数；j为所有标签种类中的某一种类标签；为第j类标签中与yi具有不同标签的源域原型对比特征向量。
5.如权利要求3所述的旋转机械故障诊断方法，其特征在于，所述基于所述目标对比特征向量和所述源域原型对比特征向量，确定所述早期学习正则函数值，包括：
通过计算动量参数；
其中，oi,k(y,z)为所述动量参数；yi为第i个目标对比特征；zk为第k个源域原型对比特征；σ为超参数；K为所述标签种类的总数，j为所有标签种类中的某一种类标签；
通过fi←γfi+(1-γ)oi更新各个目标样本数据的非参数预测；
其中，箭头左侧的fi为更新后的第i个目标样本数据的非参数预测，箭头右侧的fi为更新前的第i个目标样本数据的非参数预测，γ为超参数，oi为第i个目标样本数据的动量参数；
通过计算所述早期学习正则函数值；
其中，Lelr为第i个目标样本数据的早期学习正则函数值。
6.如权利要求3所述的旋转机械故障诊断方法，其特征在于，所述基于各个目标样本数据的特征向量，确定所述邻域聚类损失，包括：
通过计算归一化相似度；
其中，ni,j为第i个目标样本数据的特征向量与第j个目标样本数据的特征向量的归一化相似度，j为除第i个目标样本数据之外的任一目标样本数据，ti为第i个目标样本数据的特征向量，tj为第j个目标样本数据的特征向量，φ(ti,tj)为ti和tj的余弦相似度，σ为超参数，nt为所述第i个目标样本数据所属的第一类中所包含的目标样本总数；
通过计算所述邻域聚类损失；
其中，Ln为第i个目标样本数据的邻域聚类损失。
7.如权利要求2所述的旋转机械故障诊断方法，其特征在于，
所述虚拟源域原型生成器的训练过程包括：
将更新次数加1；
将所述均匀分布函数和所述多个第一标签输入虚拟源域原型生成器，生成各第一标签所对应的虚拟源域原型的特征向量；
对于每个虚拟源域原型的特征向量，将该虚拟源域原型的特征向量输入所述旋转机械在第一转速下的分类器，得到该虚拟源域原型的特征向量的第二标签；基于该虚拟源域原型的特征向量对应的第一标签和第二标签，确定交叉熵损失；基于所有虚拟源域原型的特征向量中与该虚拟源域原型的特征向量属于同一第一标签的虚拟源域原型的特征向量，以及其他虚拟源域原型的特征向量，确定原型对比损失；
基于各个虚拟源域原型的特征向量的交叉熵损失和原型对比损失，反向传播更新所述虚拟源域原型生成器的参数；
判断所述更新次数是否大于预设更新次数；
若是，则将此次更新后的虚拟源域原型生成器确定为所述训练好的虚拟源域原型生成器；
否则跳转至所述将更新次数加1的步骤。
8.一种旋转机械故障诊断装置，其特征在于，包括：
训练模块，用于基于多个目标样本数据和预设的自适应损失函数，对所述旋转机械在第一转速下的故障诊断模型进行训练，得到所述旋转机械在第二转速下的故障诊断模型；其中，所述目标样本数据为所述旋转机械在第二转速下的震动信号；所述预设的自适应损失函数包括加权对比损失函数、早期学习正则函数和邻域聚类损失函数；
诊断模块，用于基于所述旋转机械在第二转速下的故障诊断模型，对所述旋转机械在第二转速下的震动信号进行故障诊断。
9.一种电子设备，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311744130.1A CN117708596A (zh) | 2023-12-18 | 2023-12-18 | 旋转机械故障诊断方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311744130.1A CN117708596A (zh) | 2023-12-18 | 2023-12-18 | 旋转机械故障诊断方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117708596A true CN117708596A (zh) | 2024-03-15 |
Family
ID=90162005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311744130.1A Pending CN117708596A (zh) | 2023-12-18 | 2023-12-18 | 旋转机械故障诊断方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117708596A (zh) |
-
2023
- 2023-12-18 CN CN202311744130.1A patent/CN117708596A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353076B (zh) | 训练跨模态检索模型的方法、跨模态检索的方法和相关装置 | |
| Cheng et al. | Learning coarse-to-fine sparselets for efficient object detection and scene classification | |
| CN111461168A (zh) | 训练样本扩充方法、装置、电子设备及存储介质 | |
| CN113298152B (zh) | 模型训练方法、装置、终端设备及计算机可读存储介质 | |
| CN109818971B (zh) | 一种基于高阶关联挖掘的网络数据异常检测方法与系统 | |
| CN112364198B (zh) | 一种跨模态哈希检索方法、终端设备及存储介质 | |
| Hosseini et al. | Network intrusion detection based on deep learning method in internet of thing | |
| CN113656700A (zh) | 基于多相似度一致矩阵分解的哈希检索方法 | |
| CN117596038A (zh) | 一种基于深度学习的车载网络入侵检测方法、装置及存储介质 | |
| CN116912624A (zh) | 一种伪标签无监督数据训练方法、装置、设备及介质 | |
| US20220114255A1 (en) | Machine learning fraud resiliency using perceptual descriptors | |
| CN113762331B (zh) | 关系型自蒸馏方法、装置和系统及存储介质 | |
| CN114692750A (zh) | 一种细粒度图像分类方法、装置、电子设备及存储介质 | |
| CN110619349A (zh) | 植物图像分类方法及装置 | |
| Li et al. | Compact convolutional neural network transfer learning for small-scale image classification | |
| CN117708596A (zh) | 旋转机械故障诊断方法、装置、电子设备及存储介质 | |
| WO2022155787A1 (zh) | 一种极限学习机训练方法、训练装置以及终端设备 | |
| Tran et al. | Memory augmented matching networks for few-shot learnings | |
| CN114499944A (zh) | 一种检测WebShell的方法、装置和设备 | |
| CN116992937A (zh) | 神经网络模型的修复方法和相关设备 | |
| CN114528933A (zh) | 一种数据不平衡目标识别方法、系统、设备及存储介质 | |
| CN115204384A (zh) | 用于机器学习的广义激活函数 | |
| CN116802646A (zh) | 数据处理的方法和装置 | |
| CN117459250B (zh) | 一种基于海鸥优化极限学习机的网络入侵检测方法、系统、介质及设备 | |
| CN113240565B (zh) | 基于量化模型的目标识别方法、装置、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 |