CN112528548A - 一种自适应深度耦合卷积自编码多模态数据融合方法 - Google Patents
一种自适应深度耦合卷积自编码多模态数据融合方法 Download PDFInfo
- Publication number
- CN112528548A CN112528548A CN202011363611.4A CN202011363611A CN112528548A CN 112528548 A CN112528548 A CN 112528548A CN 202011363611 A CN202011363611 A CN 202011363611A CN 112528548 A CN112528548 A CN 112528548A
- Authority
- CN
- China
- Prior art keywords
- data
- self
- fusion
- coding
- coupling
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种自适应深度耦合卷积自编码多模态数据融合方法,包括以下步骤:S1、建立多模态数据融合检测框架;S2、采集数据集并对数据进行预处理S3、通过深度耦合卷积自编码多模态数据融合模型对数据进行融合;S4、将融合数据输入到Softmax网络模块进行包装设备健康检测;S5、通过灰狼优化算法(GWO)对耦合参数以及网络进行自适应寻优。本发明通过设计了一种深度耦合卷积自编码融合模型,将同步提取的多模态数据的独立、联合特征融合后用于设备的健康检测;于此同时,以检测效果为指标,通过GWO算法对耦合损失函数的参数、网络参数进行自适应调整,以在一定程度上解决不同模态数据特征差异性过大造成的数据融合难问题。
Description
技术领域
本发明涉及一种基于多模态数据融合方法,更具体地,涉及一种自适应深度耦合卷积自编码多模态数据融合方法。
背景技术
随着智能技术发展,给装备制造业带来革命性的变化,智能装备已成为高端装备的前沿和制造业的核心,也是衡量一个国家科技创新和高端制造业水平的重要标志。目前,国家出台了《包装装备智能化工程》,组织实施高端包装装备关键技术及集成技术攻关等重大专项,大力推动包装装备智能化。智能包装设备是信息技术以及人工智能技术深度融合的机电设备,在运行过程中一个极小的故障如果得不到及时处理就可能破坏电机协同运行状态、造成停机,甚至损坏设备,给企业造成直接经济损失。因此,如何有效地对设备健康检测是保证包装设备正常运行的关键。数据监测是实现故障诊断的基础,而高速运动的包装动力装备面临噪声强、扰动大等复杂作业环境,不利用对设备状态进行检测。但是,由于包装设备动力甚多,设置有大量多种传感器对其进行监测。因此,如何将多传感器数据融合技术应用于智能包装装备健康检测是一种重要思路。
现有的研究当中,已经提出了各种多传感器融合的方法,比如的卡尔曼滤波方法、自适应加权方法、神经网络方法等传统方法以及深度学习技术。但是,上述方法分别存在无法解决多模态传感数据融合、没有考虑数据相关性、没有考虑数据间差异性过大的问题。
发明内容
本发明针对现有的多模态数据融合方法中,没有充分考虑数据间相关性、数据特征差异性大问题。提供一种自适应深度耦合卷积自编码多模态数据融合方法,在一定程度上解决了多模态传感数据融合难以及数据特征差异性大问题。
为实现上述目的,本发明采用以下技术方案:
S1、建立多模态数据融合检测框架;
S2、由S1中所述多模态数据融合检测框架内数据采集、预处理模块进行数据采集并对采集的数据进行预处理;
S3、设计深度耦合卷积自编码多模态数据融合模型,通过深度耦合卷积自编码多模态数据融合模型对S2中预处理后的数据进行融合;
S4、将S3中融合数据输入到Softmax网络模块进行包装设备健康检测,输入检测结果;
S5、通过灰狼优化算法(GWO)对多模态数据融合检测框架中关键参数不断优化,使得多模态数据融合检测框架达到最优效果。
进一步的,在步骤S1中多模态数据融合检测框架包括数据采集、预处理模块、深度耦合卷积自编码多模态数据融合模块、Softmax网络分类评估模块、GWO参数寻优模块五个模块。
进一步的,数据采集模块通过电流传感器、加速度传感器来获取电流、振动信号作为训练数据集、测试数据集。
进一步的,在步骤S2中数据预处理包括数据归一化流程,将原始的振动、电流数据进行归一化处理以消除量纲影响。
进一步的,将归一化后的包装设备振动、电流数据进行分段截取后,分段将1-D数据重组为2-D网格矩阵形式。
进一步的,在步骤S3中运用深度耦合卷积自编码融合模型对多模态数据进行融合包括以下流程:(1)首先将预处理过的数据输入到深度耦合卷积自编码器中进行训练;(2)保留训练好的深度耦合卷积自编码器的编码器部分,并将深度耦合自编码器编码部分输出进行拼接;(3)将拼接数据输入两层多通道完全卷积层进行解读和初步融合;(4)将初步融合的数据输入到两层全连接层进行深度融合以及压缩。
进一步的,在步骤S4中将融合数据输入到Softmax网络对设备健康状态进行分类评估。
进一步的,在步骤S5中以分类精度最大化目标,通过GWO算法搜寻最优耦合权重和网络参数以获取最优模型。
本发明的有益效果为:建立了多模态数据融合检测框架,设计耦合损失函数来训练深度耦合卷积自编码融合网络,使其能够在进行数据融合时考虑数据间的相关性,从而获取具有更全面设备信息的融合数据;同时通过GWO算法对耦合损失函数的权重参数进行寻优来获取能够平衡数据间特征差异大问题的权重参数,从而获得最优的融合模型。最终,从一定程度上解决了多模态数据融合难以及数据特征差异性大问题。
附图说明
图1为自适应深度耦合卷积自编码多模态数据融合方法整体流程框架图;
图2为深度耦合卷积自编码器融合方法详细结构图;
图3为实验I的训练效果图;
图4为实验II的训练效果图;
图5为自适应寻优方法效果对比图;
图6为实验I和II的健康分类的混淆矩阵可视化图;
图7为融合前后方法效果对比图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
一种自适应深度耦合卷积自编码多模态数据融合方法:
S1、建立多模态数据融合检测框架。
如图1所示,多模态数据融合检测框架包含振动、电流数据收集以及预处理模块、深度耦合卷积自编码融合网络模块、GWO优化参数模块。智能包装设备数据采集模块中通过加速度感器、电流传感器来获取训练数据集、测试数据集。
S2、数据采集并对采集的数据进行预处理。
数据预处理包括数据归一化和将1-D数据转换为2-D网格矩阵的数据升维流程。具体流程为先将输入数据进行归一化处理以消除不同数据间量纲差异造成的影响;再将归一化后的数据进行数据重新排列从1-D升到2-D,为卷积输入做准备。
S3、通过深度耦合卷积自编码多模态数据融合模型对数据进行融合。
其融合步骤包括以下流程:(1)首先将预处理过的数据输入到深度耦合卷积自编码器中进行训练;(2)保留训练好的深度耦合卷积自编码器的编码器部分,并将深度耦合自编码器编码部分输出进行拼接;(3)将拼接数据输入两层多通道完全卷积层进行解读和初步融合;(4)将初步融合的数据输入到两层全连接层进行深度融合以及压缩。
深度耦合卷积自编码器为两个相同卷积自编码器构成如图2所示,具体设置如下:
深度耦合卷积自编码网络结构参数
其中,Conv_1与Conv_2以及池化层pool_1和pool_2构成卷积自编码器的编码部分,Conv_3与Conv_4以及F.interpolate操作用于构成解码部分,其中F.interpolate用于代替上采样操作以实现编码器的解码功能。
数据间的相关性由相似性度量定义,定义如下:
S(xv,xc;θv,θc)=||zv(xv,θv)-zc(xc,θc)||2
式中:zv、zc分别表示振动和电流的重构输出,θv和θc表示两个模型的参数,xv和xc分别是振动和电流的输入表示。
对耦合损失的定义如下:
Lcoupling(xv,xc;θx,θc)=εLv(xv;θv)+ηLc(xc;θc)+λS(xv,xc;θv,θc)
Lv(xv;θv)=||xv-zv||2
Lc(xc;θc)=||xc-zc||2
ε,η,λ>0
式中:Lv和Lc分别是振动、电流两种数据对应卷积自编码器的重构损失;ε、η和λ表示在重构损失和相似性损失函数之间控制耦合模型的参数。λ为两类数据间相似性度量的控制参数。
在训练时与标准网络一样,利用反向传播算法,通过Adam优化算法有效地更新参数,实现耦合损失函数最小化,其中模型损失函数梯度计算如下:
在训练深度耦合卷积自编码器之后,将其编码部分输出的具有独立特征、相关特征的输出进行拼接后输入到融合压缩网络并输出,其具体结构参数如下:
特征融合压缩网络结构参数
其中,该部分输入数据为两个卷积自编码器的编码层输出数据拼接而来,不但数据类内特征信息量过于集中而且数据类间距离过于绝对。为了让网络更好的解读编码数据特征以及融合两类数据,将融合部分设计为两个多通道完全卷积层以同时进行数据特征解读和融合,以达到更好的融合效果。最后,为了方便将融合数据用于性能校验以及可视化,设置两个全连接层作为融合网络的压缩部分。
S4、将融合数据输入到Softmax网络模块进行包装设备健康检测。
在本步骤中,将融合后的数据输入到Softmax模块中,对设备状态进行分类检测,同时将分类精度作为融合效果评估标准。假设有K个标签,则对Softmax模块的定义如下:
式中,θ(1),θ(2),…θ(K)是模型的参数,Oj是DCCAE融合模型的评估结果。
S5、通过灰狼优化算法(GWO)对耦合参数以及网络进行自适应寻优以获取最优模型。
本步骤中,将作为融合效果评估参数的分类精度作为对象,以分类精度最大化目标,通过GWO算法搜寻最优耦合权重和网络参数以获取最优模型。
实验仿真
为了验证该模型的检测精度和检测效果,本文程序实验是通过python代码得到实现的,仿真实验的设备为:(1)处理器(AMD Ryzen 5 2600X Six-Core Processor,3.60GHz);(2)运行内存(16G);(3)显卡(NVIDIA GeForce GTX1660,6G);(4)代码操作环境(Pytorch=1.2.0,Python=3.7.9)。
为了验证本模型的有效性,本文采用电机轴承测试数据,包括外圈单点疲劳点蚀损伤(A)、外圈塑性变形压痕损伤(B)、内圈单点疲劳点蚀损伤(C)、正常轴承的数据(D)四类数据用于模型试验。将A、B、D设为实验I数据,A、C、D设为实验II数据,用于检测模型对于不同类型损伤检测的泛化能力。其中,每组数据含有160000个离散点。此外,为了有效的训练、测试网络将每组数据按3:1比例分为训练集和测试集。
需要注意的是,在数据预处理部分需要对数据进行归一化处理时,为了更符合振动和电流数据的特点,需要将数据映射到[-1,1]的区间。在训练深度耦合自编码器的时候,将学习率设置为0.001,batch_size设置为100,优化器设置为Adam并按照500个Epoch周期训练网络。在训练融合压缩层的时候需要与Softmax模块进行组合,并且按照学习率为0.0001、Epoch为170的参数设置对网络进行训练,其中训练结果如图3、图4所示。
由如图3、4可知,本发明中的深度耦合卷积自编码器融合网络部分能够有效地对数据进行融合、正常地对网络进行训练。此外,为了解决数据间特征差异大问题,以测试精度最大化为目标,使用GWO算法对网络进行优化调整。此外,为了证明GWO的优越性,设计了基于粒子群算法(PSO)的寻优算法进行对比如图5所示。
将完整的网络用于测试,得出了混淆矩阵如图6所示,可以看出本发明提出的自适应深度耦合卷积自编码多模态数据融合方法能够有效地对设备健康状态进行分类检测。
最后如图7所示,将单一的振动、电流模型的设备健康检测方法与本发明方法进行了对比,证明了相较于单模态模型,多模态融合模型对于包装设备的健康检测效果上更有优势。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。
Claims (8)
1.一种自适应深度耦合卷积自编码多模态数据融合方法,包括以下步骤:
S1、建立多模态数据融合检测框架;
S2、由S1中所述多模态数据融合检测框架内数据采集、预处理模块进行数据采集并对采集的数据预处理;
S3、通过多模态数据融合检测框架内深度耦合卷积自编码多模态数据融合模块对S2中预处理后的数据进行融合;
S4、将S3中融合数据输入到多模态数据融合检测框架内Softmax网络分类评估模块进行包装设备健康检测,输入检测结果;
S5、通过灰狼优化算法(GWO)对多模态数据融合检测框架中关键参数不断优化,使得包装设备健康状态检测模型达到最优效果。
2.根据权利要求1所述的一种自适应深度耦合卷积自编码多模态数据融合方法,其特征在于,在步骤S1中多模态数据融合检测框架包括数据采集模块、预处理模块、深度耦合卷积自编码融合模块、Softmax网络分类评估模块、GWO参数寻优模块五个模块。
3.根据权利要求2所述的一种自适应深度耦合卷积自编码多模态数据融合方法,其特征在于,数据采集模块通过电流传感器、加速度传感器来获取电流、振动信号作为训练数据集、测试数据集。
4.根据权利要求3所述的一种自适应深度耦合卷积自编码多模态数据融合方法,其特征在于,在步骤S2中数据预处理包括数据归一化流程,将原始的振动、电流数据进行归一化处理以消除量纲影响。
5.根据权利要求4所述的一种自适应深度耦合卷积自编码多模态数据融合方法,其特征在于,将归一化后的包装设备振动、电流数据进行分段截取后,分段将1-D数据重组为2-D网格矩阵形式。
6.根据权利要求1所述的一种自适应深度耦合卷积自编码多模态数据融合方法,其特征在于,在步骤S3中运用深度耦合卷积自编码融合模型对多模态数据进行融合包括以下流程:(1)首先将预处理过的数据输入到深度耦合自编码器中进行训练;(2)保留训练好的深度耦合自编码器的编码器部分,并将深度耦合自编码器编码部分输出进行拼接;(3)将拼接数据输入两层多通道完全卷积层进行解读和初步融合;(4)将初步融合的数据输入到两层全连接层进行深度融合以及压缩。
7.根据权利要求1所述的一种自适应深度耦合卷积自编码多模态数据融合方法,其特征在于,在步骤S4中将融合数据输入到Softmax网络对设备健康状态进行分类评估。
8.根据权利要求1所述的一种自适应深度耦合卷积自编码多模态数据融合方法,其特征在于,在步骤S5中以分类精度最大化目标,通过GWO算法搜寻最优耦合权重和网络参数以获取最优模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363611.4A CN112528548A (zh) | 2020-11-27 | 2020-11-27 | 一种自适应深度耦合卷积自编码多模态数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011363611.4A CN112528548A (zh) | 2020-11-27 | 2020-11-27 | 一种自适应深度耦合卷积自编码多模态数据融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112528548A true CN112528548A (zh) | 2021-03-19 |
Family
ID=74994710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011363611.4A Pending CN112528548A (zh) | 2020-11-27 | 2020-11-27 | 一种自适应深度耦合卷积自编码多模态数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112528548A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569928A (zh) * | 2021-07-13 | 2021-10-29 | 湖南工业大学 | 一种列车运行状态检测数据缺失处理模型及重建的方法 |
CN116303786A (zh) * | 2023-03-18 | 2023-06-23 | 上海圈讯科技股份有限公司 | 一种基于多维数据融合算法的区块链金融大数据管理*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170371329A1 (en) * | 2014-12-19 | 2017-12-28 | United Technologies Corporation | Multi-modal sensor data fusion for perception systems |
CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
CN110163131A (zh) * | 2019-05-09 | 2019-08-23 | 南京邮电大学 | 混合卷积神经网络与小生境灰狼优化的人体动作分类方法 |
CN110455537A (zh) * | 2019-09-18 | 2019-11-15 | 合肥工业大学 | 一种轴承故障诊断方法及*** |
CN110595775A (zh) * | 2019-09-19 | 2019-12-20 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111046945A (zh) * | 2019-12-10 | 2020-04-21 | 北京化工大学 | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 |
US20200294257A1 (en) * | 2019-03-16 | 2020-09-17 | Nvidia Corporation | Leveraging multidimensional sensor data for computationally efficient object detection for autonomous machine applications |
CN111721535A (zh) * | 2020-06-23 | 2020-09-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于卷积多头自注意力机制的轴承故障检测方法 |
CN111914883A (zh) * | 2020-06-18 | 2020-11-10 | 西安交通大学 | 一种基于深度融合网络的主轴轴承状态评估方法及装置 |
CN111967486A (zh) * | 2020-06-02 | 2020-11-20 | 安徽三禾一信息科技有限公司 | 一种基于多传感器融合的复杂装备故障诊断方法 |
-
2020
- 2020-11-27 CN CN202011363611.4A patent/CN112528548A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170371329A1 (en) * | 2014-12-19 | 2017-12-28 | United Technologies Corporation | Multi-modal sensor data fusion for perception systems |
US20200294257A1 (en) * | 2019-03-16 | 2020-09-17 | Nvidia Corporation | Leveraging multidimensional sensor data for computationally efficient object detection for autonomous machine applications |
CN110108456A (zh) * | 2019-04-16 | 2019-08-09 | 东南大学 | 一种深度卷积神经网络的旋转机械健康评估方法 |
CN110163131A (zh) * | 2019-05-09 | 2019-08-23 | 南京邮电大学 | 混合卷积神经网络与小生境灰狼优化的人体动作分类方法 |
CN110455537A (zh) * | 2019-09-18 | 2019-11-15 | 合肥工业大学 | 一种轴承故障诊断方法及*** |
CN110595775A (zh) * | 2019-09-19 | 2019-12-20 | 电子科技大学 | 基于多分支多尺度卷积神经网络的滚动轴承故障诊断方法 |
CN111046945A (zh) * | 2019-12-10 | 2020-04-21 | 北京化工大学 | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 |
CN111024433A (zh) * | 2019-12-30 | 2020-04-17 | 辽宁大学 | 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法 |
CN111967486A (zh) * | 2020-06-02 | 2020-11-20 | 安徽三禾一信息科技有限公司 | 一种基于多传感器融合的复杂装备故障诊断方法 |
CN111914883A (zh) * | 2020-06-18 | 2020-11-10 | 西安交通大学 | 一种基于深度融合网络的主轴轴承状态评估方法及装置 |
CN111721535A (zh) * | 2020-06-23 | 2020-09-29 | 中国人民解放军战略支援部队航天工程大学 | 一种基于卷积多头自注意力机制的轴承故障检测方法 |
Non-Patent Citations (2)
Title |
---|
孔俊;: "基于双层特征融合的生物识别", 北华大学学报(自然科学版), no. 01, pages 115 - 122 * |
敬明?;: "基于深度神经网络的多模态特征自适应聚类方法", 计算机应用与软件, no. 10, pages 268 - 275 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569928A (zh) * | 2021-07-13 | 2021-10-29 | 湖南工业大学 | 一种列车运行状态检测数据缺失处理模型及重建的方法 |
CN113569928B (zh) * | 2021-07-13 | 2024-01-30 | 湖南工业大学 | 一种列车运行状态检测数据缺失处理模型及重建的方法 |
CN116303786A (zh) * | 2023-03-18 | 2023-06-23 | 上海圈讯科技股份有限公司 | 一种基于多维数据融合算法的区块链金融大数据管理*** |
CN116303786B (zh) * | 2023-03-18 | 2023-10-27 | 上海圈讯科技股份有限公司 | 一种基于多维数据融合算法的区块链金融大数据管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110322423B (zh) | 一种基于图像融合的多模态图像目标检测方法 | |
Wang et al. | A new intelligent bearing fault diagnosis method using SDP representation and SE-CNN | |
CN110097528B (zh) | 一种基于联合卷积自编码网络的图像融合方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN108319962A (zh) | 一种基于卷积神经网络的刀具磨损监测方法 | |
Zhao et al. | Fault Diagnosis of Motor in Frequency Domain Signal by Stacked De-noising Auto-encoder. | |
CN112528548A (zh) | 一种自适应深度耦合卷积自编码多模态数据融合方法 | |
CN112926641A (zh) | 基于多模态数据的三阶段特征融合旋转机械故障诊断方法 | |
CN114494222B (zh) | 基于Vision Transformer的滚动轴承故障智能识别方法 | |
CN114283120B (zh) | 一种基于领域自适应的端到端多源异质遥感影像变化检测方法 | |
CN113807444A (zh) | 基于约束对抗卷积自编码记忆融合网络的故障诊断方法 | |
CN110083125A (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN114581965A (zh) | 指静脉识别模型训练方法及识别方法、***和终端 | |
Liao et al. | A channel-spatial-temporal attention-based network for vibration-based damage detection | |
CN117726885B (zh) | 一种基于三维几何自注意力机制的车身缝隙分类方法 | |
CN115824519A (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
CN117009916A (zh) | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 | |
CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及*** | |
CN116894180B (zh) | 一种基于异构图注意力网络的产品制造质量预测方法 | |
CN116502069B (zh) | 一种基于深度学习的触觉时序信号识别方法 | |
CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
CN117763494A (zh) | 基于多模态和多尺度融合网络的轴承诊断方法及*** | |
CN116383757B (zh) | 一种基于多尺度特征融合和迁移学习的轴承故障诊断方法 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、***、设备及介质 | |
Tian et al. | Multi-scale deep coupling convolutional neural network with heterogeneous sensor data for intelligent fault diagnosis |
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 |