CN112816191B - 一种基于sdrsn的多特征健康因子融合方法 - Google Patents
一种基于sdrsn的多特征健康因子融合方法 Download PDFInfo
- Publication number
- CN112816191B CN112816191B CN202011606166.XA CN202011606166A CN112816191B CN 112816191 B CN112816191 B CN 112816191B CN 202011606166 A CN202011606166 A CN 202011606166A CN 112816191 B CN112816191 B CN 112816191B
- Authority
- CN
- China
- Prior art keywords
- feature
- characteristic
- sdrsn
- features
- output
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于SDRSN的多特征健康因子融合方法,涉及故障预测技术领域,针对现有技术中模型不能够降低经验因素的影响,去除冗余信息的问题,SDRSN模型能够进行自适应特征学习,根据注意力机制发现输入样本的干扰特征,并利用软阈值函数将其置零,从而降低干扰因素对于特征挖掘效果的影响。相比于传统特征融合方法,该模型能够降低经验因素的影响,去除冗余信息。将自归一化思想引入SDRSN模型,能够保证激活值以归一化的状态在网络各层间传递,避免了过拟合现象的发生,获取到包含丰富信息的特征,从而更好地表征旋转机械的健康状态。
Description
技术领域
本发明涉及故障预测技术领域,具体为一种基于SDRSN的多特征健康因子融合方法。
背景技术
旋转机械由于其通用性目前被广泛应用于各种机械装备与复杂的工作环境中,其一旦受损不仅会影响设备的正常使用,还有可能造成巨大的经济损失和人身安全威胁。因此,开展旋转机械故障预测方法研究一直是机械健康监测领域的迫切需求,而构建有效的健康因子是实现旋转机械故障精确预测的先决条件。
自归一化神经网络(Self-Normalizing Neural Networks,SNN)采用缩放指数线性单元(Scaled Exponential Linear Units,SELU)作为激活函数,能够保证激活值以归一化的状态在网络各层间传递,且该值趋于一个稳定的不动点,一旦扰动导致协变量偏移,便会即刻被拉回到归一化状态,避免了过拟合现象的发生。此外,该函数在输入小于0时神经元依然可以被激活,与采用线性整流单元(Rectified Linear Unit,ReLU)作为激活函数的模型相比,SNN提取到更为丰富的特征,从而更好地表征***的健康状态。
通过将软阈值和注意力机制引入残差网络,构造了一种深度残差收缩网络(DeepResidual Shrinkage Networks,DRSN)来实现对噪声污染样本的自适应特征学习。DSRN的工作原理是根据注意力机制发现输入样本的干扰特征,并利用软阈值函数将其置零,从而降低干扰因素对于特征挖掘效果的影响。但现有技术中缺少一种能够保证激活值以归一化的状态在网络各层间传递,避免过拟合现象的方法。
发明内容
本发明的目的是:针对现有技术不能保证激活值以归一化的状态在网络各层间传递,避免过拟合现象的问题,提出一种基于SDRSN的多特征健康因子融合方法。
本发明为了解决上述技术问题采取的技术方案是:
一种基于SDRSN的多特征健康因子融合方法,包括:
步骤一:采集旋转机械的原始振动信号;
步骤二:对旋转机械的原始振动信号进行平滑和去噪预处理,然后对预处理后的旋转机械的原始振动信号进行时域、频域和时频域特征的提取,并构建原始特征集,然后对原始特征集中的信号进行归一化处理;
步骤三:利用归一化后的原始特征集进行筛选后构造敏感特征集;
步骤四:将敏感特征集输入SDRSN模型进行特征融合训练,将测试集的数据输入到训练好的模型中,得到表征旋转机械健康状态的健康因子;
所述SDRSN模型包括残差块、注意力机制和软阈值化,所述残差块包括直接映射部分和残差部分,
所述直接映射部分用于将输入特征进行复制后直接作为输出特征A;
所述残差部分包括卷积层、批量归一化层和SELU激活层;
所述卷积层用于对输入特征进行特征提取,得到卷积层输出特征;
所述批量归一化层用于将卷积层输出特征进行归一化处理;
所述SELU激活层用于对归一化后的特征进行非线性变换,得到非线性特征;
所述注意力机制用于发现输入特征的干扰特征,并根据非线性特征自适应学习软阈值,得到阈值τ;
所述软阈值化用于根据阈值τ将非线性特征中绝对值小于阈值的特征删除,并将绝对值大于阈值的特征向0的方向收缩,得到输出特征B;
所述输出特征A与输出特征B进行累加后作为模型的最终输出。
进一步的,所述模型的最终输出表示为:
xl+1=xl+F(xl,Wl)
其中,xl表示输出特征A,F(xl,Wl)表示输出特征B。
进一步的,所述卷积层输出特征表示为:
y1=∑x*k+b
其中,x表示输入特征,k表示卷积核,b表示偏置。
进一步的,所述归一化处理表示为:
进一步的,所述ε=0.01。
进一步的,所述非线性特征表示为:
α=1.6732632423543772。
进一步的,所述阈值τ表示为:
τ=α×A
其中,A为均值特征。
进一步的,所述输出特征B表示为:
进一步的,所述步骤三中利用归一化后的原始特征集进行筛选通过采用相关性指标、单调性指标和鲁棒性指标作为特征量的评价标准进行筛选,所述相关性指标用于衡量特征参数序列与时间序列之间的线性相关程度;所述单调性指标用于反映特征参数序列单调上升或下降的变换程度;所述鲁棒性指标用于描述特征参数序列对包括噪声干扰在内的异常因素的包容能力。
本发明的有益效果是:
(1)SDRSN模型能够进行自适应特征学习,根据注意力机制发现输入样本的干扰特征,并利用软阈值函数将其置零,从而降低干扰因素对于特征挖掘效果的影响。相比于传统特征融合方法,该模型能够降低经验因素的影响,去除冗余信息。
(2)将自归一化思想引入SDRSN模型,能够保证激活值以归一化的状态在网络各层间传递,避免了过拟合现象的发生,获取到包含丰富信息的特征,从而更好地表征旋转机械的健康状态。
附图说明
图1为SDRSN模型结构示意图;
图2为基于SDRSN的多特征健康因子融合过程示意图。
具体实施方式
需要特别说明的是,在不冲突的情况下,本申请公开的各个实施方式之间可以相互组合。
具体实施方式一:参照图1和图2具体说明本实施方式,本实施方式所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于包括:
步骤一:采集旋转机械的原始振动信号;
步骤二:对旋转机械的原始振动信号进行平滑和去噪预处理,然后对预处理后的旋转机械的原始振动信号进行时域、频域和时频域特征的提取,并构建原始特征集,然后对原始特征集中的信号进行归一化处理;
步骤三:利用归一化后的原始特征集进行筛选后构造敏感特征集;
步骤四:将敏感特征集输入SDRSN模型进行特征融合训练,将测试集的数据输入到训练好的模型中,得到表征旋转机械健康状态的健康因子;
所述SDRSN模型包括残差块、注意力机制和软阈值化,所述残差块包括直接映射部分和残差部分,
所述直接映射部分用于将输入特征进行复制后直接作为输出特征A;
所述残差部分包括卷积层、批量归一化层和SELU激活层;
所述卷积层用于对输入特征进行特征提取,得到卷积层输出特征;
所述批量归一化层用于将卷积层输出特征进行归一化处理;
所述SELU激活层用于对归一化后的特征进行非线性变换,得到非线性特征;
所述注意力机制用于发现输入特征的干扰特征,并根据非线性特征自适应学习软阈值,得到阈值τ;
所述软阈值化用于根据阈值τ将非线性特征中绝对值小于阈值的特征删除,并将绝对值大于阈值的特征向0的方向收缩,得到输出特征B;
所述输出特征A与输出特征B进行累加后作为模型的最终输出。
具体实施方式二:本实施方式是对具体实施方式一的进一步说明,本实施方式与具体实施方式一的区别是所述模型的最终输出表示为:
xl+1=xl+F(xl,Wl)
其中,xl表示输出特征A,F(xl,Wl)表示输出特征B。
具体实施方式三:本实施方式是对具体实施方式二的进一步说明,本实施方式与具体实施方式二的区别是所述卷积层输出特征表示为:
y1=∑x*k+b
其中,x表示输入特征,k表示卷积核,b表示偏置。
具体实施方式四:本实施方式是对具体实施方式三的进一步说明,本实施方式与具体实施方式三的区别是所述归一化处理表示为:
具体实施方式五:本实施方式是对具体实施方式四的进一步说明,本实施方式与具体实施方式四的区别是所述ε=0.01。
具体实施方式六:本实施方式是对具体实施方式五的进一步说明,本实施方式与具体实施方式五的区别是所述非线性特征表示为:
α=1.6732632423543772。
具体实施方式七:本实施方式是对具体实施方式六的进一步说明,本实施方式与具体实施方式六的区别是所述阈值τ表示为:
τ=α×A
其中,A为均值特征。
具体实施方式八:本实施方式是对具体实施方式七的进一步说明,本实施方式与具体实施方式七的区别是所述输出特征B表示为:
具体实施方式九:本实施方式是对具体实施方式一的进一步说明,本实施方式与具体实施方式一的区别是所述步骤三中利用归一化后的原始特征集进行筛选通过采用相关性指标、单调性指标和鲁棒性指标作为特征量的评价标准进行筛选,所述相关性指标用于衡量特征参数序列与时间序列之间的线性相关程度;所述单调性指标用于反映特征参数序列单调上升或下降的变换程度;所述鲁棒性指标用于描述特征参数序列对包括噪声干扰在内的异常因素的包容能力。
本发明提出的SDRSN模型结构如图1所示,主要包括残差块、软阈值化和注意力机制。模型具体描述如下:
1、残差块
残差网络是一种新颖的深度学习方法,能够解决网络深度增加所引发的退化问题。残差网络是由一系列的残差块(Residual building units,RBUs)组成,一个残差块可以表示为
xl+1=xl+F(xl,Wl) (1)
式中,残差块分成直接映射部分xl和残差部分F(xl,Wl)。残差部分F(xl,Wl)由两个批量归一化(Batch Normalization,BN),两个SELU激活函数和两个卷积层等基本部分组成。
卷积层中的卷积核能够减少网络训练参数,从而降低网络遭受过拟合的概率。输入特征与卷积核之间的卷积映射表示为:
其中,xi表示输入特征的第i个通道,yj表示输出特征的第j个通道,Mj是计算yj的通道集合,k表示卷积核,b表示偏置。
将BN加入卷积层之间能够减少内部协变量的转移,从而提高网络训练效率并增强网络的泛化能力。BN主要执行特征规范化操作,即先将特征归一化为标准分别,再调整为理想分布。BN的处理过程表示如下:
其中,Nbatch表示小批量大小,xn与yn分别是小批量中第n个观察值的输入与输出,ε是接近于0的保证数值稳定的常数,γ是缩放参数,β是偏置参数。
激活函数是神经网络的非线性变换部分。SELU激活函数具备收敛速度快和输出近似零中心的优点,并解决梯度消失和神经元坏死的问题。SELU激活函数表示为
其中,λ=1.0507009873554804...,α=1.6732632423543772...。
2、软阈值化
目前,软阈值化是许多去噪算法的核心步骤。软阈值化将绝对值小于阈值的特征删除,并将绝对值大于阈值的特征朝着0的方向收缩。软阈值化的表达式为
其中,x和y分别为输入与输出,τ表示阈值。阈值τ的设置必须符合两个条件:一个是阈值为正,另一个是阈值不能大于输入的最大值。
软阈值化函数的导数为:
由上可知,软阈值化函数的导数只能是1或者0。因此,软阈值化不仅能够降低特征中的干扰因素,还可以在一定程度上避免模型的梯度消失问题。
3、注意力机制
深度残差收缩网络借鉴了压缩激励网络的子网络结构,以实现注意力机制下的软阈值化。通过图1中红色框内的子网络的学***均,获得一个特征A。在另一条路径中,全局均值池化之后的特征被输入到一个小型的全连接网络,以Sigmoid函数作为最后一层,将输出归一化以获得一个系数α。最终,该输入样本对应的阈值可以表示为α×A,这符合上述软阈值的两个条件。
由于能够根据不同的样本自适应设置相应的阈值,SDRSN模型引入了一种特殊的注意力机制:发现输入样本的干扰特征,通过软阈值化将它们置为零。
基于SDRSN的多特征健康因子融合方法的处理过程如图2所示,包括如下步骤:
(1)采集旋转机械的振动信号作为数据输入;
(2)对原始振动数据实施平滑去噪预处理,提取时域、频域、时频域等特征构造原始特征集,然后归一化这些特征;
(3)采用相关性、单调性和鲁棒性指标作为各种特征量的评价标准,来筛选得到与旋转机械退化过程跟踪密切的特征,构造敏感特征集。
(4)将敏感特征集输入SDRSN模型,进行特征融合训练,将测试集的数据输入到训练好的模型中,从而获得表征旋转机械健康状态的健康因子。
本发明选择某机械***的旋转机械作为研究对象,利用振动传感器采集旋转机械的振动数据,提取振动数据的特征,然后输入到SDRSN模型中构造健康因子,从而实现旋转机械性能退化状态跟踪与剩余寿命预测。
针对旋转机械的故障预测实例,本发明的具体步骤如下:
(1-1)利用振动传感器采集旋转机械的振动数据;
(2-1)采用小波滤波器对原始振动数据实施平滑去噪预处理;
(2-2)提取振动数据的时域、频域和时频域特征,构造原始特征集并进行归一化处理,从而表征旋转机械全面的退化状态信息,原始特征集中的特征如表1所示。
表1时域、频域和时频域特征
(3-1)采用相关性、单调性和鲁棒性指标作为各种特征量的评价标准。在评价标准中,相关性指标可以衡量特征参数序列与时间序列之间的线性相关程度;单调性指标能够反映特征参数序列单调上升或下降的变换程度;鲁棒性指标可以描述特征参数序列对包括噪声干扰在内的异常因素的包容能力。
假设特征量序列为E=[e(1),e(2),...,e(K)],时间序列为T=[t1,t2,...,tK],e(tk)代表时间tk处的特征值,其中,K代表总的时间长度。首先采用移动平均法将特征参数序列分为平稳趋势项和随机余量项两部分:
e(tk)=eT(tk)+eR(tk) (10)
其中,eT(tk)代表特征的平稳趋势部分,而eR(tk)则表示特征的随机余量部分。
E和T之间相关性指标记为Corr(E,T),E的单调性指标和鲁棒性指标分别记为Mon(E)和Rob(E),公式(11)-(14)描述了三个评价指标的计算过程:
式中,K代表总的时间长度,δ(·)表示一个简单的单位步阶函数,具体表示如下:
(3-2)筛选得到与旋转机械退化过程跟踪密切的10个特征,从而构造敏感特征集。
(4-1)采用旋转机械的剩余使用寿命样本来构建训练集其中选择了xt∈RN*1在t时刻的N个敏感特征,yt∈[0,1]是在时间t处机械旋转部件的退化百分比关联的标签。例如,假设旋转机械的故障时间为2800s,当前检查点为1400s,那么标签yt=0.5。因此,通过最小化损失函数来训练SDRSN模型
(4-2)将测试集的敏感特征直接输入训练好的SDRSN模型,以获得表征旋转机械健康状态的健康因子。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。
Claims (5)
1.一种基于SDRSN的多特征健康因子融合方法,其特征在于包括:
步骤一:采集旋转机械的原始振动信号;
步骤二:对旋转机械的原始振动信号进行平滑和去噪预处理,然后对预处理后的旋转机械的原始振动信号进行时域、频域和时频域特征的提取,并构建原始特征集,然后对原始特征集中的信号进行归一化处理;
步骤三:利用归一化后的原始特征集进行筛选后构造敏感特征集;
步骤四:将敏感特征集输入SDRSN模型进行特征融合训练,将测试集的数据输入到训练好的模型中,得到表征旋转机械健康状态的健康因子;
所述SDRSN模型包括残差块、注意力机制和软阈值化,所述残差块包括直接映射部分和残差部分,
所述直接映射部分用于将输入特征进行复制后直接作为输出特征A;
所述残差部分包括卷积层、批量归一化层和SELU激活层;
所述卷积层用于对输入特征进行特征提取,得到卷积层输出特征;
所述批量归一化层用于将卷积层输出特征进行归一化处理;
所述SELU激活层用于对归一化后的特征进行非线性变换,得到非线性特征;
所述注意力机制用于发现输入特征的干扰特征,并根据非线性特征自适应学习软阈值,得到阈值τ;
所述软阈值化用于根据阈值τ将非线性特征中绝对值小于阈值的特征删除,并将绝对值大于阈值的特征向0的方向收缩,得到输出特征B;
所述输出特征A与输出特征B进行累加后作为模型的最终输出;
所述模型的最终输出表示为:
xl+1=xl+F(xl,Wl)
其中,xl表示输出特征A,F(xl,Wl)表示输出特征B;
所述卷积层输出特征表示为:
y1=∑x*k+b
其中,x表示输入特征,k表示卷积核,b表示偏置;
所述归一化处理表示为:
所述非线性特征表示为:
α=1.6732632423543772。
2.根据权利要求1所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于所述ε=0.01。
3.根据权利要求1所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于所述阈值τ表示为:
τ=α×A
其中,A为均值特征。
5.根据权利要求1所述的一种基于SDRSN的多特征健康因子融合方法,其特征在于所述步骤三中利用归一化后的原始特征集进行筛选通过采用相关性指标、单调性指标和鲁棒性指标作为特征量的评价标准进行筛选,所述相关性指标用于衡量特征参数序列与时间序列之间的线性相关程度;所述单调性指标用于反映特征参数序列单调上升或下降的变换程度;所述鲁棒性指标用于描述特征参数序列对包括噪声干扰在内的异常因素的包容能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011606166.XA CN112816191B (zh) | 2020-12-28 | 2020-12-28 | 一种基于sdrsn的多特征健康因子融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011606166.XA CN112816191B (zh) | 2020-12-28 | 2020-12-28 | 一种基于sdrsn的多特征健康因子融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112816191A CN112816191A (zh) | 2021-05-18 |
CN112816191B true CN112816191B (zh) | 2022-07-29 |
Family
ID=75855370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011606166.XA Active CN112816191B (zh) | 2020-12-28 | 2020-12-28 | 一种基于sdrsn的多特征健康因子融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112816191B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569990B (zh) * | 2021-08-25 | 2024-03-05 | 浙江工业大学 | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5465321A (en) * | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
WO2015184729A1 (en) * | 2014-06-05 | 2015-12-10 | Tsinghua University | Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms |
WO2018117914A1 (en) * | 2016-12-21 | 2018-06-28 | Limited Liability Company "Gero" | Determining wellness using activity data |
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
CN109000930A (zh) * | 2018-06-04 | 2018-12-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 |
CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
CN111147396A (zh) * | 2019-12-26 | 2020-05-12 | 哈尔滨工程大学 | 一种基于序列特征的加密流量分类方法 |
CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110167025A1 (en) * | 2008-07-24 | 2011-07-07 | Kourosh Danai | Systems and methods for parameter adaptation |
US7941281B2 (en) * | 2008-12-22 | 2011-05-10 | General Electric Company | System and method for rotor blade health monitoring |
CN107941537B (zh) * | 2017-10-25 | 2019-08-27 | 南京航空航天大学 | 一种机械设备健康状态评估方法 |
US20190384255A1 (en) * | 2018-06-19 | 2019-12-19 | Honeywell International Inc. | Autonomous predictive real-time monitoring of faults in process and equipment |
-
2020
- 2020-12-28 CN CN202011606166.XA patent/CN112816191B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5465321A (en) * | 1993-04-07 | 1995-11-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Hidden markov models for fault detection in dynamic systems |
WO2015184729A1 (en) * | 2014-06-05 | 2015-12-10 | Tsinghua University | Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms |
WO2018117914A1 (en) * | 2016-12-21 | 2018-06-28 | Limited Liability Company "Gero" | Determining wellness using activity data |
CN108764601A (zh) * | 2018-04-03 | 2018-11-06 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习技术的结构健康监测异常数据诊断方法 |
CN109000930A (zh) * | 2018-06-04 | 2018-12-14 | 哈尔滨工业大学 | 一种基于堆叠去噪自编码器的涡轮发动机性能退化评估方法 |
CN109141881A (zh) * | 2018-07-06 | 2019-01-04 | 东南大学 | 一种深度自编码网络的旋转机械健康评估方法 |
WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
CN111147396A (zh) * | 2019-12-26 | 2020-05-12 | 哈尔滨工程大学 | 一种基于序列特征的加密流量分类方法 |
CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
Non-Patent Citations (4)
Title |
---|
Lightweight Convolutional Neural Network and Its Application in Rolling Bearing Fault Diagnosis under Variable Working Conditions;Liu, Hengchang;《SENSORS》;20200106;第19卷(第22期);全文 * |
基于EEMD样本熵和SRC传感器故障诊断方法的自确认气体;陈寅生;《***工程与电子技术》;20160531;第38卷(第5期);全文 * |
基于LabVIEW和BP神经网络的旋转机械故障诊断研究;于波;《工业仪表与自动化装置》;20200630;全文 * |
融合无量纲指标与信息熵的不同转速下旋转机械故障诊断;陈仁祥;《振动与冲击》;20191130;第38卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112816191A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8595204B2 (en) | Spam score propagation for web spam detection | |
Lian et al. | Collaborative filtering meets next check-in location prediction | |
CN112990280A (zh) | 面向图像大数据的类增量分类方法、***、装置及介质 | |
Qin et al. | Intermediate distribution alignment and its application into mechanical fault transfer diagnosis | |
CN111538827A (zh) | 基于内容和图神经网络的判例推荐方法、装置及存储介质 | |
Das et al. | Machine learning techniques applied to prediction of residual strength of clay | |
CN110852437A (zh) | 一种针对异质信息网络的表示学习方法 | |
CN112816191B (zh) | 一种基于sdrsn的多特征健康因子融合方法 | |
Zhao et al. | Multi-branch convolutional neural networks with integrated cross-entropy for fault diagnosis in diesel engines | |
CN114034486A (zh) | 基于无监督迁移学习的泵类机械设备轴承故障诊断方法 | |
CN112235043A (zh) | 一种基于自适应长短期记忆的分布式光纤异常数据修复模型 | |
Yao et al. | RUL prediction method for rolling bearing using convolutional denoising autoencoder and bidirectional LSTM | |
Fu et al. | MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction | |
Gao et al. | An Approach to Intelligent Fault Diagnosis of Cryocooler Using Time‐Frequency Image and CNN | |
Zhang et al. | Intelligent fault diagnosis using image representation of multi-domain features | |
Zhao et al. | Adaptive thresholding and coordinate attention-based tree-inspired network for aero-engine bearing health monitoring under strong noise | |
CN114528913A (zh) | 基于信任和一致性的模型迁移方法、装置、设备及介质 | |
Zeng et al. | Remaining useful life prediction for rotating machinery based on dynamic graph and spatial–temporal network | |
Xu et al. | A progressive fault diagnosis method for rolling bearings based on VMD energy entropy and a deep adversarial transfer network | |
CN115618933A (zh) | 基于采样卷积和对抗学习的跨域故障诊断方法 | |
Zhu et al. | Remaining useful life estimation of bearing using spatio-temporal convolutional transformer | |
Wang et al. | A novel multiscale deep health indicator with bidirectional LSTM network for bearing performance degradation trend prognosis | |
Hu et al. | Adaptive incremental diagnosis model for intelligent fault diagnosis with dynamic weight correction | |
Ilkivová et al. | Comparison of a linear and nonlinear approach to engine misfires detection | |
Tsumoto et al. | Incremental rules induction based on rule layers |
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 |