CN115219180A - 基于原型和双重域对抗的旋转机械跨工况故障诊断方法 - Google Patents
基于原型和双重域对抗的旋转机械跨工况故障诊断方法 Download PDFInfo
- Publication number
- CN115219180A CN115219180A CN202210842561.0A CN202210842561A CN115219180A CN 115219180 A CN115219180 A CN 115219180A CN 202210842561 A CN202210842561 A CN 202210842561A CN 115219180 A CN115219180 A CN 115219180A
- Authority
- CN
- China
- Prior art keywords
- domain
- prototype
- samples
- source
- target
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 230000006978 adaptation Effects 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 abstract description 3
- 230000005012 migration Effects 0.000 abstract description 2
- 238000011478 gradient descent method Methods 0.000 abstract 1
- 238000005096 rolling process Methods 0.000 description 10
- 239000005557 antagonist Substances 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001617 migratory effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于原型和双重域对抗的旋转机械跨工况故障诊断方法,先使用采集设备从待监测旋转机械采集各工况运行条件下的振动信号,建立不同域(工况)的数据集;然后构建基于原型和双重域对抗的域适应网络,并使用梯度下降法训练域适应网络;再将需要诊断的目标域输入到训练好的域适应网络中;最后获取旋转机械的跨工况故障诊断结果;本发明同时对齐了边缘分布和条件分布,能够更实现细粒度的类级别结构匹配,实现了诊断知识从源域到目标域的迁移,有效实现端到端的跨工况旋转机械的状态识别。
Description
技术领域
本发明属于机械设备智能诊断技术领域,具体涉及基于原型和双重域对抗的旋转机械跨工况故障诊断方法。
背景技术
旋转机械作为现代制造***中的主要机械设备,为实现现代制造智能化、快速化、高效化的重要保障。当前,旋转机械正朝着高度复杂化和集成化的方向快速发展,一旦其中的关键部件发生故障,将可能造成巨大的经济损失和人员伤亡。因此,面向旋转机械的智能诊断方法具有重大的意义。
近年来,基于深度学习的智能故障诊断方法逐渐受到学术界和工业界的关注。然而,应用传统的监督式的深度学习方法(申请号CN201910991173.7、名称为:基于深度卷积域对抗迁移学习的故障诊断方法),对旋转机械进行故障诊断时,存在以下两个缺点:1,旋转机械的工况变化会导致设备在某一工况的运行中采集的样本和另一工况下采集的样本存在明显的分布差异,造成某一工况下训练的深度学习模型在另一工况的应用效果不佳;2,单一工况下的样本下缺少足够的标签,造成实际应用中不可能对每一工况进行建模。因此,域适应方法(申请号CN201910463197.5、名称为:一种对抗判别域适应一维卷积神经网络智能故障诊断方法)受到研究人员的关注,在机械设备诊断领域中,域适应方法能够利用源域(带标签信息的某一工况)中的诊断知识,解决目标域(无标签信息的另一工况)中的诊断任务;但是,单一的域适应方法的故障诊断精度不高,无法有效地对旋转机械的状态进行辨识。
发明内容
为了克服现有技术的缺点,本发明的目的是提供一种基于原型和双重域对抗的旋转机械跨工况故障诊断方法,采用的域适应网络结构简单,能够同时适应不同工况下的边缘分布和条件分布,在不同类型的旋转机械下准确地进行故障辨识,实现对旋转机械的智能故障诊断。
为了达到上述目的,本发明采用的技术方案为:
一种基于原型和双重域对抗的旋转机械跨工况故障诊断方法,包括以下步骤:
步骤一:通过信号采集设备采集旋转机械在不同工况下的振动数据,每个工况下对应不同的域;
步骤二:搭建基于原型和双重域对抗的域适应网络,该域适应网络包括一个特征学习器F及可训练参数θF、一个状态分类器C及可训练参数θC、一个原型学习器P、一个边缘域对抗器DM及可训练参数θDM,和多个条件域对抗器DC及对应的可训练参数;其中,特征学习器提取源域和目标域的高层次隐含特征,状态分类器学习一个类分离的特征空间,原型学习器用于学习表征源域中每一类样本的原型,边缘域对抗器从整体上对齐源域分布和目标域分布,多个条件域对抗器对齐特征空间中的源域和目标域每一个类的结构;边缘域对抗器与条件域对抗器和特征学习器通过梯度反转层(Gradient reversal layer,GRL)连接,且条件域对抗器的个数和旋转机械的状态类别数一致;
对于一个旋转机械的跨工况诊断任务,源域数据集为其中ns分别表示源域样本、源域样本标签、源域样本数量,目标域数据集为其中nt分别表示目标域样本、目标域样本数量;利用交叉熵损失函数Lcel,状态分类器C的分类损失Lcls表述为:
其中F(xi)为特征学习器提取样本xi的特征,C(F(xi))为分类器的softmax输出;
原型学习器被用于学习源域每一类样本的原型特征,第k类样本的原型pk的学习过程如下所示:
其中nsk表示源域数据集中k类样本的数量,K为诊断任务的总类别数;
利用边缘域对抗器对齐源域和目标域的边缘分布,且利用源域的原型来代表源域的所有样本,并且对源域和目标域的样本打上域标签,源域di(i=1,2,…,K)和目标域di(i=1,2,…,nt)的域标签分别是1和0,边缘域对抗器DM的对抗损失Lm如下所示:
其中fi为源域原型特征和目标域特征的集合,Lbcel为二元交叉熵损失函数;
同理,利用条件域对抗器对齐源域和目标域的子类结构,条件域对抗器DC的对抗损失Lc如下所示:
其中vi为源域原型特征和目标域特征与状态分类器softmax乘积的集合;
随着损失Lcls的减小,域适应网络能够习得一个类分离的特征空间;随着双重域对抗损失Lm和Lc的增大,域适应网络不能够区分特征是来自源域或目标域,即习得域不变的特征空间,因此,域适应网络的总优化目标函数L如下所示:
L=Lcls-αLm-βLc
其中,α和β分别是边缘分布对齐和条件分布对齐的权衡参数;
该目标函数通过随机梯度下降Adam算法优化,具体的参数更新规则如下:
步骤三:将目标域的样本输入到训练好的特征学习器和状态分类器中;
步骤四:获取旋转机械的跨工况故障诊断结果。
本发明的优点为:
(1)本发明同时采取边缘域对抗器和条件域对抗器,结合双重域对抗学习,实现了源域和目标域特征空间的边缘分布对齐和条件分布对齐,促进域适应网络学习类别分离和域不变的特征空间;
(2)本发明将原型学习和域对抗结合在一起,实现了源域特征空间和目标域特征空间的细粒度匹配,构造了一个能在不同工况中实现知识迁移的故障诊断模型;
(3)本发明采用深度卷积神经网络为骨干结构,实现了端到端的特征提取和故障诊断,解决了目标域无标签预测的问题,提高了旋转机械跨工况诊断的精度。
附图说明
图1为本发明方法的流程图。
图2为实施例滚动轴承的实验平台。
图3为实施例滚动轴承(源域为1hp,目标域为2hp)故障诊断结果的评价指标示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
参照图1,一种基于原型和双重域对抗的旋转机械跨工况故障诊断方法,包括以下步骤:
步骤一:通过信号采集设备采集旋转机械在不同工况下的振动数据,每个工况下对应不同的域,本实施例滚动轴承实验平台如图2所示,扭转传感器的两端和测试电机、负载电机连接,该实验平台共有四种运行工况,即负载0hp、负载1hp、负载2hp和负载3hp;测试电机的滚动轴承一共有四种健康状态,包括正常、内圈故障、滚动体故障和外圈故障,上述三种典型故障分别有三种不同的程度,故每个工况下共计十种滚动轴承健康状态,每种健康状态下包含200个样本,每个样本包括1024个数据点;
步骤二:搭建基于原型和双重域对抗的域适应网络,该域适应网络包括一个特征学习器F及可训练参数θF、一个状态分类器C及可训练参数θC、一个原型学习器P、一个边缘域对抗器DM及可训练参数θDM、和K个条件域对抗器DC及对应的可训练参数,K=10;其中,特征学习器提取源域和目标域的高层次隐含特征,状态分类器学习一个类分离的特征空间,原型学习器用于学习表征源域中每一类样本的原型,边缘域对抗器从整体上对齐源域分布和目标域分布,多个条件域对抗器对齐特征空间中的源域和目标域每一个类的结构;需要指出的是,边缘域对抗器与条件域对抗器和特征学习器通过梯度反转层(Gradient reversallayer,GRL)连接,且条件域对抗器的个数和旋转机械的状态类别数一致;
对于滚动轴承的跨工况诊断任务,源域数据集为其中ns分别表示源域样本、源域样本标签、源域样本数量;目标域数据集为其中nt分别表示目标域样本、目标域样本数量,利用交叉熵损失函数Lcel,状态分类器C的分类损失Lcls可表述为:
其中F(xi)为特征学习器提取样本xi的特征,C(F(xi))为分类器的softmax输出;
原型学习器被用于学习源域每一类样本的原型特征,第k类样本的原型pk的学习过程如下所示:
其中nsk表示源域数据集中k类样本的数量;K为诊断任务的总类别数;
利用边缘域对抗器对齐源域和目标域的边缘分布,且利用源域的原型来代表源域的所有样本,并且对源域和目标域的样本打上域标签,源域di(i=1,2,…,K)和目标域di(i=1,2,…,nt)的域标签分别是1和0;边缘域对抗器DM的对抗损失Lm如下所示:
其中fi为源域原型特征和目标域特征的集合,Lbcel为二元交叉熵损失函数;
同理,利用条件域对抗器对齐源域和目标域的子类结构,条件域对抗器DC的对抗损失Lc如下所示:
其中vi为源域原型特征和目标域特征与状态分类器softmax乘积的集合;
随着损失Lcls的减小,域适应网络能够习得一个类分离的特征空间;随着双重域对抗损失Lm和Lc的增大,域适应网络不能够区分特征是来自源域或目标域,即习得域不变的特征空间,因此,域适应网络的总优化目标函数L如下所示:
L=Lcls-αLm-βLc
其中,α和β分别是边缘分布对齐和条件分布对齐的权衡参数,该任务中分别设置为0.5和0.05;
该目标函数通过随机梯度下降Adam算法优化,具体的参数更新规则如下:
步骤三:将目标域的样本输入到训练好的特征学习器和状态分类器中;
步骤四:获取滚动轴承迁移学习任务的故障诊断结果;为了验证本发明的有效性,和其他方法相比,其他方法选择最大均值差异(maximum mean discrepancy,MMD)、域对抗神经网络(domain adversarial neural network,DANN)、深度卷积迁移学习网络(deepconvolutional transfer learning network,DCTLN)、域对抗迁移网络(domainadversarial transfer network,DATN)、联合分布对齐(joint distributionadaptation,JDA)、不使用原型学习器(NoP)、不使用边缘域对抗器(NoM)、不使用条件域对抗器(NoC);该滚动轴承的所有跨工况故障诊断结果如表1所示;
表1
任务 | MMD | DANN | DCTLN | DATN | JDA | NoP | NoC | NoM | 本发明 |
hp0-hp1 | 74.70 | 80.05 | 82.15 | 82.00 | 85.65 | 94.25 | 95.65 | 94.85 | 97.15 |
hp0-hp2 | 79.90 | 77.35 | 77.10 | 83.00 | 81.60 | 97.55 | 92.35 | 97.50 | 99.25 |
hp0-hp3 | 84.95 | 78.35 | 75.75 | 73.95 | 79.40 | 92.30 | 95.65 | 97.15 | 98.55 |
hp1-hp0 | 81.75 | 86.15 | 76.65 | 75.00 | 80.40 | 91.90 | 93.20 | 93.55 | 95.75 |
hp1-hp2 | 86.58 | 87.10 | 89.20 | 90.00 | 95.75 | 92.45 | 95.70 | 97.05 | 99.35 |
hp1-hp3 | 79.25 | 85.70 | 85.95 | 90.40 | 88.15 | 90.25 | 94.10 | 93.75 | 96.85 |
hp2-hp0 | 85.55 | 84.75 | 82.20 | 89.45 | 85.65 | 94.35 | 96.15 | 97.75 | 99.75 |
hp2-hp1 | 91.40 | 87.45 | 83.30 | 88.15 | 91.00 | 91.20 | 93.40 | 96.55 | 98.95 |
hp2-hp3 | 89.80 | 79.30 | 76.50 | 86.95 | 84.25 | 93.15 | 98.65 | 91.35 | 99.50 |
hp3-hp0 | 87.75 | 65.50 | 85.55 | 82.70 | 83.15 | 94.65 | 95.55 | 97.25 | 99.45 |
hp3-hp1 | 83.90 | 86.05 | 74.50 | 77.55 | 91.75 | 93.05 | 95.35 | 94.50 | 97.85 |
hp3-hp2 | 93.30 | 81.85 | 75.10 | 86.00 | 92.50 | 94.75 | 97.30 | 93.00 | 99.20 |
平均值 | 84.90 | 81.63 | 80.33 | 83.76 | 86.60 | 93.32 | 95.25 | 95.35 | 98.47 |
本发明方法对各种工况下的滚动轴承故障诊断精度都有明显提高,这进一步说明本发明方法的有效性。在源域为1hp,目标域为2hp上的跨工况诊断任务的各项指标(包括准确率,F1分数,召回率,精确率)对比图3所示,该结果进一步从各个方面验证了本发明方法的优越性。
Claims (1)
1.一种基于原型和双重域对抗的旋转机械跨工况故障诊断方法,其特征在于,包括以下步骤:
步骤一:通过信号采集设备采集旋转机械在不同工况下的振动数据,每个工况下对应不同的域;
步骤二:搭建基于原型和双重域对抗的域适应网络,该域适应网络包括一个特征学习器F及可训练参数θF、一个状态分类器C及可训练参数θC、一个原型学习器P、一个边缘域对抗器DM及可训练参数θDM,和多个条件域对抗器DC及对应的可训练参数;其中,特征学习器提取源域和目标域的高层次隐含特征,状态分类器学习一个类分离的特征空间,原型学习器用于学习表征源域中每一类样本的原型,边缘域对抗器从整体上对齐源域分布和目标域分布,多个条件域对抗器对齐特征空间中的源域和目标域每一个类的结构;边缘域对抗器与条件域对抗器和特征学习器通过梯度反转层(Gradient reversal layer,GRL)连接,且条件域对抗器的个数和旋转机械的状态类别数一致;
对于一个旋转机械的跨工况诊断任务,源域数据集为其中ns分别表示源域样本、源域样本标签、源域样本数量,目标域数据集为其中nt分别表示目标域样本、目标域样本数量;利用交叉熵损失函数Lcel,状态分类器C的分类损失Lcls表述为:
其中F(xi)为特征学习器提取样本xi的特征,C(F(xi))为分类器的softmax输出;
原型学习器被用于学习源域每一类样本的原型特征,第k类样本的原型pk的学习过程如下所示:
其中nsk表示源域数据集中k类样本的数量,K为诊断任务的总类别数;
利用边缘域对抗器对齐源域和目标域的边缘分布,且利用源域的原型来代表源域的所有样本,并且对源域和目标域的样本打上域标签,源域di(i=1,2,...,K)和目标域di(i=1,2,...,nt)的域标签分别是1和0,边缘域对抗器DM的对抗损失Lm如下所示:
其中fi为源域原型特征和目标域特征的集合,Lbcel为二元交叉熵损失函数;
同理,利用条件域对抗器对齐源域和目标域的子类结构,条件域对抗器DC的对抗损失Lc如下所示:
其中vi为源域原型特征和目标域特征与状态分类器softmax乘积的集合;
随着损失Lcls的减小,域适应网络能够习得一个类分离的特征空间;随着双重域对抗损失Lm和Lc的增大,域适应网络不能够区分特征是来自源域或目标域,即习得域不变的特征空间,因此,域适应网络的总优化目标函数L如下所示:
L=Lcls-αLm-βLc
其中,α和β分别是边缘分布对齐和条件分布对齐的权衡参数;
该目标函数通过随机梯度下降Adam算法优化,具体的参数更新规则如下:
其中,γ和α分别为学习率和偏导;
步骤三:将目标域的样本输入到训练好的特征学习器和状态分类器中;
步骤四:获取旋转机械的跨工况故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210842561.0A CN115219180B (zh) | 2022-07-18 | 2022-07-18 | 基于原型和双重域对抗的旋转机械跨工况故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210842561.0A CN115219180B (zh) | 2022-07-18 | 2022-07-18 | 基于原型和双重域对抗的旋转机械跨工况故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115219180A true CN115219180A (zh) | 2022-10-21 |
CN115219180B CN115219180B (zh) | 2024-05-31 |
Family
ID=83611058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210842561.0A Active CN115219180B (zh) | 2022-07-18 | 2022-07-18 | 基于原型和双重域对抗的旋转机械跨工况故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115219180B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
JP2022042487A (ja) * | 2020-09-02 | 2022-03-14 | 富士通株式会社 | ドメイン適応型ニューラルネットワークの訓練方法 |
CN114358125A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 一种基于多源信息深度融合的旋转机械故障自动识别方法 |
-
2022
- 2022-07-18 CN CN202210842561.0A patent/CN115219180B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898634A (zh) * | 2020-06-22 | 2020-11-06 | 西安交通大学 | 一种基于深度对抗域自适应的智能故障诊断方法 |
JP2022042487A (ja) * | 2020-09-02 | 2022-03-14 | 富士通株式会社 | ドメイン適応型ニューラルネットワークの訓練方法 |
CN114358125A (zh) * | 2021-12-03 | 2022-04-15 | 华南理工大学 | 一种基于多源信息深度融合的旋转机械故障自动识别方法 |
Non-Patent Citations (1)
Title |
---|
金余丰;刘晓锋;姚美常;黄凤良;: "基于域对抗迁移的变工况滚动轴承故障诊断模型", 自动化仪表, no. 12, 20 December 2019 (2019-12-20), pages 59 - 64 * |
Also Published As
Publication number | Publication date |
---|---|
CN115219180B (zh) | 2024-05-31 |
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 | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
CN111397902B (zh) | 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法 | |
CN115600150A (zh) | 一种基于深度迁移学习的多模态齿轮箱故障诊断方法 | |
CN112651167A (zh) | 一种基于图神经网络的半监督滚动轴承故障诊断方法 | |
CN110110768A (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN112633339A (zh) | 轴承故障智能诊断方法、诊断***、计算机设备及介质 | |
CN112257862B (zh) | 一种基于关系网络标记样本扩充的半监督辨识方法 | |
CN114358124B (zh) | 基于深度对抗卷积神经网络的旋转机械新故障诊断方法 | |
CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
CN113111820A (zh) | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 | |
CN112766301B (zh) | 一种采油机示功图相似性判断方法 | |
CN116894187A (zh) | 一种基于深度迁移学习的齿轮箱故障诊断方法 | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN112465045A (zh) | 一种基于孪生神经网络的供应链例外事件检测方法 | |
CN113239610A (zh) | 一种基于Wasserstein距离的域自适应滚动轴承故障诊断方法 | |
CN114879628B (zh) | 基于对抗局部最大均值差异的多模态工业过程故障诊断方法 | |
Chou et al. | SHM data anomaly classification using machine learning strategies: A comparative study | |
Wang et al. | A graph neural network-based data cleaning method to prevent intelligent fault diagnosis from data contamination | |
CN115219180A (zh) | 基于原型和双重域对抗的旋转机械跨工况故障诊断方法 | |
CN116861343A (zh) | 一种轴承故障诊断方法 | |
CN116383757A (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 | |
CN113588266B (zh) | 一种故障语义空间内嵌的滚动轴承复合故障诊断方法 | |
CN113551904B (zh) | 基于层次机器学习的齿轮箱多类型并发故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |