CN117892258A - 基于数据融合的轴承迁移诊断方法、电子设备及存储介质 - Google Patents
基于数据融合的轴承迁移诊断方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117892258A CN117892258A CN202410275403.0A CN202410275403A CN117892258A CN 117892258 A CN117892258 A CN 117892258A CN 202410275403 A CN202410275403 A CN 202410275403A CN 117892258 A CN117892258 A CN 117892258A
- Authority
- CN
- China
- Prior art keywords
- convolution
- feature
- bearing
- fusion
- representing
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 44
- 238000013508 migration Methods 0.000 title claims abstract description 36
- 230000005012 migration Effects 0.000 title claims abstract description 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000002405 diagnostic procedure Methods 0.000 claims description 13
- 230000001364 causal effect Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000007792 addition Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种基于数据融合的轴承迁移诊断方法、电子设备及存储介质，包括以下步骤：多级自适应深度可分离卷积；动态特征融合；基于动态特征融合神经网络的轴承故障迁移诊断。本发明有益效果：该方法应用参数量较少的深度可分离卷积代替标准卷积，构建多级自适应深度可分离卷积网络以轻量化模型参数。为进一步从有限的轴承数据中挖掘丰富的故障信息，提出一种基于特征重要性的动态融合特征算法，采用数据融合方法融合不同特征，继而提高轴承故障诊断的准确性。
Description
技术领域
本发明属于状态监测技术领域，尤其是涉及一种基于数据融合的轴承迁移诊断方法、电子设备及存储介质。
背景技术
轴承作为旋转机械关键部件之一，工作环境恶劣，极其容易发生故障，造成不必要的经济损失和人员伤亡。因此，准确检测轴承故障具有重要的研究意义。随着技术的进步，许多智能诊断方法广泛应用于轴承故障诊断研究。基于深度学习的智能诊断方法通常需要大量的训练数据和一致性的数据分布。然而在实际应用中不允许设备长时间在故障条件下运行，因此难以获取足够的轴承故障数据。同时，在复杂工作环境下采集的轴承振动信号往往差异较大，从而影响模型的诊断性能。
深度迁移方法作为机器学习方法之一，可以应对上述两个问题，提高模型的诊断性能。基于深度迁移方法的网络模型具有大量的可训练参数，往往导致模型难以优化。近年来，残差连接用于优化深度网络模型的训练参数。然而，这些基于残差连接的模型仍然存在大量的训练参数，从而增加计算成本。当训练数据样本较少时，单个域的故障信息有限，往往会降低模型的诊断性能。研究表明数据融合方法可以挖掘丰富的故障信息，从而提高模型对数据的分类准确率。数据融合方法可分为数据级、决策级和特征级融合。数据级融合方法受限于输入数据结构的统一性要求，决策级融合方法则在多个分类器预测存在差异时受到限制。特征级融合方法则不受上述两种方法的限制。然而，现有技术中的特征级融合方法仅沿单一维度拼接多个通道的特征，而忽略了不同通道的特征重要性。因此，迫切需要提出一种新的基于数据融合的迁移诊断模型，以提高轴承监测精度。
发明内容
有鉴于此，本发明旨在提出一种基于数据融合的轴承迁移诊断方法、电子设备及存储介质，以解决实际应用中轴承故障数据少且数据分布差异大的问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于数据融合的轴承迁移诊断方法，包括以下步骤：
S1、建立多级自适应深度可分离卷积，并提取动态特征；
S2、通过动态特征融合算法对基于步骤S1中的动态特征进行融合，得到动态特征融合神经网络；
S3、基于动态特征融合神经网络对轴承故障迁移诊断；
在步骤S1中，多级自适应深度可分离卷积，包括以下步骤：
S11、定义输入特征以及标准卷积；
S12、将多级自适应深度可分离卷积分为因果卷积操作和逐点卷积操作，基于步骤S11的结果通过因果卷积操作进行特征提取；
S13、基于步骤S11的结果通过逐点卷积操作进行特征提取；
S14、基于步骤S12、步骤S13的结果提取动态特征。
进一步的，在步骤S11中，定义输入特征以及标准卷积，包括：
在卷积操作中，以作为特征输入，/>作为特征输出；其中，/>和/>分别是特征输入的长度和宽度，/>和/>分别是输入和输出通道数，/>和/>分别是特征输出的长度和宽度；标准卷积被定义为：
；
其中，是标准卷积的输出特征，/>是输入特征，/>是第i个通道的第j个卷积核，/>是/>的偏置，/>是卷积操作；因此，标准卷积的权重/>和计算损失/>表示为：
；
；
其中，和/>为卷积核的宽度和长度。
进一步的，在步骤S12中，通过因果卷积操作进行特征提取，包括：
对因果卷积操作定义为：
；
其中，是深度卷积的输出特征，/>和/>是第j个卷积核和偏置。
进一步的，在步骤S13中，通过逐点卷积操作进行特征提取，包括：
逐点卷积为卷积核大小为1×1的标准卷积；深度可分离卷积的总权重和计算损失/>表示为：
；
；
因此，深度可分离卷积与标准卷积的比值计算为：
；
；
其中，表示两者之间权重的比值，/>表示两者之间计算损失的比值。
进一步的，在步骤S14中，基于步骤S12、步骤S13的结果提取动态特征，包括：
基于多级自适应深度可分离卷积的特征提取公式，特征提取公式被定义为：
；
其中，表示输出特征，/>表示输入特征，/>为自适应参数。
进一步的，在步骤S2中，动态特征融合算法，包括；
S21、将图像输入到两个并行的网络进行特征提取，并得到两个输出特征图和；
S22、设置向量的权重/>和偏置/>；
在步骤S21中，两个输出特征图和/>通过逐元素相加法获得特征图M，其中；
随后，特征图M展平为一维向量，定义为：
；
其中，表示一维向量，/>表示展平操作，/>表示逐元素相加。
进一步的，在步骤S21中，参数和/>在模型反向传播中被更新，同时在前向传播过程中被动态优化；在反向传播过程中，计算交叉熵损失并通过Adam优化器更新模型的参数；在前向传播过程中：
S211、先从参数中按概率分布进行抽样，并得到对应位置的索引值，表示为：
；
其中，N表示随机抽取样本的数量，表示抽样操作；
S212、计算对应向量的动态加权系数/>：
；
其中，表示批次的大小，/>表示修正系数，/>计算V与/>之间的曼哈顿距离；通过/>更新权重/>和偏置/>：
；
；
其中，和/>表示更新后的权重和偏置，/>表示按索引/>更新参数；
S213、通过参数和/>计算输出特征向量/>：
；
其中，表示元素乘法操作。
进一步的，在步骤S3中，基于动态特征融合神经网络对轴承故障迁移诊断，包括：
S31、采集轴承振动信号：
利用加速度传感器对不同故障的轴承实验台信号进行采集，获得振动加速度信号X(t)；
S32、轴承振动信号预处理：
一方面将信号X(t)通过连续小波变换转换成二维的时频图，另一方面，通过希尔伯特曲线重构算法将信号X(t)转换到另外一个域，并得到二维数字图像/>；
S33、预训练初始化参数的模型：
将源域的图像和/>输入到模型中进行训练，得到预训练模型；
S34、对预训练模型进行微调、测试：
通过部分目标域数据微调预训练模型，并通过剩余目标域数据测试模型的性能。
一种电子设备，包括处理器以及与处理器通信连接、且用于存储所述处理器可执行指令的存储器，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，所述处理器用于执行上述所述的基于数据融合的轴承迁移诊断方法。
一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的基于数据融合的轴承迁移诊断方法。
相对于现有技术，本发明所述的基于数据融合的轴承迁移诊断方法、电子设备及存储介质具有以下优势：
本发明所述的基于数据融合的轴承迁移诊断方法、电子设备及存储介质，设计了参数量较少的深度可分离卷积方法，构建多级自适应深度可分离卷积网络以轻量模型参数。为进一步从有限的目标域数据中挖掘丰富的故障信息，提出一种根据特征重要性来动态融合特征的算法，采用特征融合方法融合不同的特征，继而提高轴承故障诊断的准确性。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的诊断方法流程示意图；
图2为本发明实施例所述的标准卷积与深度可分离卷积的对比示意图；
图3为本发明实施例所述的多级自适应深度可分离卷积网络示意图；
图4为本发明实施例所述的不同参数下的测试准确率结果示意图；
图5为本发明实施例所述的不同参数下的训练曲线示意图；
图6为本发明实施例所述的微调不同层参数的迁移诊断结果示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1至图6所示，基于数据融合的轴承迁移诊断方法，包括以下步骤：
S1、多级自适应深度可分离卷积；
本发明将深度可分离卷积用于神经网络模型的卷积操作。深度可分离卷积可以分解为深度卷积和逐点卷积两部分。在标准卷积中，特征输入的每个通道都需要与卷积核的对应通道进行卷积操作，输出特征是所有通道的卷积结果之和。而对于深度可分离卷积，第一步进行深度卷积操作，其中特征输入的每个通道都需要使用相应的卷积核（仅一个通道）进行卷积操作；第二步进行逐点卷积，等同于卷积核大小为1×1的标准卷积。当处理相同大小的特征输入和输出时，深度可分离卷积可以明显降低计算成本和参数量。
在卷积操作中，以作为特征输入，/>作为特征输出。其中，/>和/>分别是特征输入的长度和宽度，/>和/>分别是输入和输出通道数，/>和/>分别是特征输出的长度和宽度。标准卷积可以被定义为：
；
其中，是标准卷积的输出特征，/>是输入特征，/>是第i个通道的第j个卷积核，/>是/>的偏置，/>是卷积操作。因此，标准卷积的权重/>和计算损失/>可以表示为：
；
；
其中，和/>为卷积核的宽度和长度。对于深度可分离卷积，特征提取过程可以被分为两部分。第一步是因果卷积操作，可以被定义为：
；
其中，是深度卷积的输出特征，/>和/>是第j个卷积核和偏置。第二步是逐点卷积，相当于卷积核大小为1×1的标准卷积。深度可分离卷积的总权重/>和计算损失/>可以表示为：
；
；
因此，深度可分离卷积与标准卷积的比值可以计算为：
；
；
其中，表示两者之间权重的比值，/>表示两者之间计算损失的比值。可以看出，深度可分离卷积可以有效地降低计算成本和权重量。
基于深度可分离卷积，提出一种多级自适应深度可分离卷积网络用于特征提取，可以被定义为：
；
其中，表示输出特征，/>表示输入特征，/>为自适应参数。
如图4-图5所示，其中图4为不同参数下的测试准确率结果图，图5为不同参数/>下的训练曲线。
S2、动态特征融合；
在本发明中，通过动态特征融合算法融合不同通道的特征。动态特征融合算法的过程可分为三部分：
第一步，将图像输入到两个并行的网络进行特征提取，并得到两个输出特征图和/>。两个特征图通过逐元素相加法获得一个新的特征图M，其中/>。随后，特征图M展平为一维向量，可以定义为：
；
其中，表示一维向量，/>表示展平操作，/>表示逐元素相加。
第二步，设置向量的权重/>和偏置/>。参数/>和/>在模型反向传播中被更新，同时在前向传播过程中被动态优化。在反向传播过程中，计算交叉熵损失并通过Adam优化器更新模型的参数。在前向传播过程中：
1、先从参数中按概率分布进行抽样，并得到对应位置的索引值，表示为：
；
其中，N表示随机抽取样本的数量，表示抽样操作。
2、计算对应向量的动态加权系数/>：
；
其中，表示批次的大小，/>表示修正系数，/>计算V与/>之间的曼哈顿距离。通过/>更新权重/>和偏置/>：
；
；
其中，和/>表示更新后的权重和偏置，/>表示按索引/>更新参数。
3、通过参数和/>计算输出特征向量/>：
；
其中，表示元素乘法操作。
S3、基于动态特征融合神经网络的轴承故障迁移诊断方法步骤如下：
第一步，采集轴承振动信号。利用加速度传感器对不同故障的轴承实验台信号进行采集，获得振动加速度信号X(t)；
第二步，轴承振动信号预处理。一方面将信号X(t)通过连续小波变换转换成二维的时频图，另一方面，通过希尔伯特曲线重构算法将信号X(t)转换到另外一个域，并得到二维数字图像/>；
第三步，预训练初始化参数的模型。将源域的图像和/>输入到模型中进行训练，得到预训练模型；
第四步，对预训练模型进行微调、测试。通过部分目标域数据微调预训练模型，并通过剩余目标域数据测试模型的性能。
如图6所示，是微调不同层参数的迁移诊断结果。横坐标L1-L6对应不同的解冻层数，分别为FC3层、FC2层、FC1层、FC2和FC1层、MDCNN3层、MDCNN2层。
本发明的优势：
本发明通过多级自适应深度可分离卷积和动态特征融合算法实现对轴承的迁移诊断任务。深度迁移方法通过源域数据预训练深度网络模型并利用少量目标域数据微调模型参数，可以有效解决数据量少且数据分布差异大导致模型性能下降的问题。但深度网络模型过量的训练参数可能在训练过程导致过拟合等问题；基于残差连接的深度网络模型可以优化模型参数，但无法解决模型参数量大的问题。本发明采用深度可分离卷积来替换标准卷积，并提出一种多级自适应深度可分离卷积网络以轻量化模型参数。为进一步从有限的目标域数据中挖掘丰富的故障信息，考虑采用特征融合方法融合不同的特征，从而提高模型的诊断性能。已有特征融合方法仅沿单一维度拼接多通道特征，从而忽略不同特征的重要性。因此，本发明提出一种动态特征融合算法，根据特征的重要性为特征赋予不同的权重系数，继而进行轴承故障诊断。
本发明提出一种电子设备，包括处理器以及与处理器通信连接、且用于存储所述处理器可执行指令的存储器，所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，所述处理器用于执行上述所述的基于数据融合的轴承迁移诊断方法。
本发明提出一种计算机可读取存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述所述的基于数据融合的轴承迁移诊断方法。
本方法设计了参数量较少的深度可分离卷积方法，构建多级自适应深度可分离卷积网络以轻量模型参数。为进一步从有限的目标域数据中挖掘丰富的故障信息，提出一种根据特征重要性来动态融合特征的算法，采用特征融合方法融合不同的特征，继而提高轴承故障诊断的准确性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于数据融合的轴承迁移诊断方法，其特征在于：包括以下步骤：
S1、建立多级自适应深度可分离卷积，并提取动态特征；
S2、通过动态特征融合算法对基于步骤S1中的动态特征进行融合，得到动态特征融合神经网络；
S3、基于动态特征融合神经网络对轴承故障迁移诊断；
在步骤S1中，多级自适应深度可分离卷积，包括以下步骤：
S11、定义输入特征以及标准卷积；
S12、将多级自适应深度可分离卷积分为因果卷积操作和逐点卷积操作，基于步骤S11的结果通过因果卷积操作进行特征提取；
S13、基于步骤S11的结果通过逐点卷积操作进行特征提取；
S14、基于步骤S12、步骤S13的结果提取动态特征。
2.根据权利要求1所述的基于数据融合的轴承迁移诊断方法，其特征在于：在步骤S11中，定义输入特征以及标准卷积，包括：
在卷积操作中，以作为特征输入，/>作为特征输出；其中，/>和/>分别是特征输入的长度和宽度，/>和/>分别是输入和输出通道数，/>和/>分别是特征输出的长度和宽度；标准卷积被定义为：
；
其中，是标准卷积的输出特征，/>是输入特征，/>是第i个通道的第j个卷积核，/>是的偏置，/>是卷积操作；因此，标准卷积的权重/>和计算损失/>表示为：
；
；
其中，和/>为卷积核的宽度和长度。
3.根据权利要求2所述的基于数据融合的轴承迁移诊断方法，其特征在于：在步骤S12中，通过因果卷积操作进行特征提取，包括：
对因果卷积操作定义为：
；
其中，是深度卷积的输出特征，/>和/>是第j个卷积核和偏置。
4.根据权利要求3所述的基于数据融合的轴承迁移诊断方法，其特征在于：在步骤S13中，通过逐点卷积操作进行特征提取，包括：
逐点卷积为卷积核大小为1×1的标准卷积；深度可分离卷积的总权重和计算损失/>表示为：
；
；
因此，深度可分离卷积与标准卷积的比值计算为：
；
；
其中，表示两者之间权重的比值，/>表示两者之间计算损失的比值。
5.根据权利要求4所述的基于数据融合的轴承迁移诊断方法，其特征在于：在步骤S14中，基于步骤S12、步骤S13的结果提取动态特征，包括：
基于多级自适应深度可分离卷积的特征提取公式，特征提取公式被定义为：
；
其中，表示输出特征，/>表示输入特征，/>为自适应参数。
6.根据权利要求5所述的基于数据融合的轴承迁移诊断方法，其特征在于：在步骤S2中，动态特征融合算法，包括；
S21、将图像输入到两个并行的网络进行特征提取，并得到两个输出特征图和/>；
S22、设置向量的权重/>和偏置/>；
在步骤S21中，两个输出特征图和/>通过逐元素相加法获得特征图M，其中；
随后，特征图M展平为一维向量，定义为：
；
其中，表示一维向量，/>表示展平操作，/>表示逐元素相加。
7.根据权利要求6所述的基于数据融合的轴承迁移诊断方法，其特征在于：在步骤S21中，参数和/>在模型反向传播中被更新，同时在前向传播过程中被动态优化；在反向传播过程中，计算交叉熵损失并通过Adam优化器更新模型的参数；在前向传播过程中：
S211、先从参数中按概率分布进行抽样，并得到对应位置的索引值，表示为：
；
其中，N表示随机抽取样本的数量，表示抽样操作；
S212、计算对应向量的动态加权系数/>：
；
其中，表示批次的大小，/>表示修正系数，/>计算V与/>之间的曼哈顿距离；通过/>更新权重/>和偏置/>：
；
；
其中，和/>表示更新后的权重和偏置，/>表示按索引/>更新参数；
S213、通过参数和/>计算输出特征向量/>：
；
其中，表示元素乘法操作。
8.根据权利要求7所述的基于数据融合的轴承迁移诊断方法，其特征在于：在步骤S3中，基于动态特征融合神经网络对轴承故障迁移诊断，包括：
S31、采集轴承振动信号：
利用加速度传感器对不同故障的轴承实验台信号进行采集，获得振动加速度信号X(t)；
S32、轴承振动信号预处理：
一方面将信号X(t)通过连续小波变换转换成二维的时频图，另一方面，通过希尔伯特曲线重构算法将信号X(t)转换到另外一个域，并得到二维数字图像/>；
S33、预训练初始化参数的模型：
将源域的图像和/>输入到模型中进行训练，得到预训练模型；
S34、对预训练模型进行微调、测试：
通过部分目标域数据微调预训练模型，并通过剩余目标域数据测试模型的性能。
9.一种电子设备，包括处理器以及与处理器通信连接、且用于存储所述处理器可执行指令的存储器，其特征在于：所述存储器存储有可被所述处理器执行的指令，所述指令被所述处理器执行，所述处理器用于执行上述权利要求1-7任一所述的基于数据融合的轴承迁移诊断方法。
10.一种计算机可读取存储介质，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上述权利要求1-7任一所述的基于数据融合的轴承迁移诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410275403.0A CN117892258B (zh) | 2024-03-12 | 2024-03-12 | 基于数据融合的轴承迁移诊断方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410275403.0A CN117892258B (zh) | 2024-03-12 | 2024-03-12 | 基于数据融合的轴承迁移诊断方法、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117892258A true CN117892258A (zh) | 2024-04-16 |
| CN117892258B CN117892258B (zh) | 2024-06-07 |
Family
ID=90649539
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410275403.0A Active CN117892258B (zh) | 2024-03-12 | 2024-03-12 | 基于数据融合的轴承迁移诊断方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117892258B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009635A (zh) * | 2017-12-25 | 2018-05-08 | 大连理工大学 | 一种支持增量更新的深度卷积计算模型 |
| CN112161784A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
| CN113780357A (zh) * | 2021-08-13 | 2021-12-10 | 华中农业大学 | 一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法 |
| CN114339030A (zh) * | 2021-11-29 | 2022-04-12 | 北京工业大学 | 一种基于自适应可分离卷积的网络直播视频稳像方法 |
| CN114359629A (zh) * | 2021-12-20 | 2022-04-15 | 桂林理工大学 | 一种基于深度迁移学习的肺炎x胸片分类识别方法 |
| CN115127814A (zh) * | 2022-07-20 | 2022-09-30 | 燕山大学 | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 |
| CN115374810A (zh) * | 2022-07-22 | 2022-11-22 | 国家能源集团宿迁发电有限公司 | 基于动态可分离卷积神经网络的故障诊断方法及设备 |
| CN116152088A (zh) * | 2022-12-13 | 2023-05-23 | 浙江大学 | 一种基于信息融合的轻量化图像去噪方法 |
| CN116824542A (zh) * | 2023-06-13 | 2023-09-29 | 重庆市荣冠科技有限公司 | 一种基于深度学习的轻量级雾天车辆检测方法 |
| CN116992217A (zh) * | 2023-08-01 | 2023-11-03 | 郑州轻工业大学 | 基于多尺度动态加权多维残差卷积的机械信号降噪方法 |
| CN117009916A (zh) * | 2023-06-25 | 2023-11-07 | 西安电子科技大学 | 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 |
| CN117272782A (zh) * | 2023-08-07 | 2023-12-22 | 兰州理工大学 | 基于自适应多支路深度可分离的热轧钢力学性能预测方法 |
| CN117516939A (zh) * | 2023-11-08 | 2024-02-06 | 哈尔滨工业大学 | 基于改进EfficientNetV2的轴承跨工况故障检测方法及*** |
-
2024
- 2024-03-12 CN CN202410275403.0A patent/CN117892258B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009635A (zh) * | 2017-12-25 | 2018-05-08 | 大连理工大学 | 一种支持增量更新的深度卷积计算模型 |
| CN112161784A (zh) * | 2020-09-07 | 2021-01-01 | 华南理工大学 | 基于多传感器信息融合迁移网络的机械故障诊断方法 |
| CN113780357A (zh) * | 2021-08-13 | 2021-12-10 | 华中农业大学 | 一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法 |
| CN114339030A (zh) * | 2021-11-29 | 2022-04-12 | 北京工业大学 | 一种基于自适应可分离卷积的网络直播视频稳像方法 |
| CN114359629A (zh) * | 2021-12-20 | 2022-04-15 | 桂林理工大学 | 一种基于深度迁移学习的肺炎x胸片分类识别方法 |
| CN115127814A (zh) * | 2022-07-20 | 2022-09-30 | 燕山大学 | 一种基于自适应残差对抗网络的无监督轴承故障诊断方法 |
| CN115374810A (zh) * | 2022-07-22 | 2022-11-22 | 国家能源集团宿迁发电有限公司 | 基于动态可分离卷积神经网络的故障诊断方法及设备 |
| CN116152088A (zh) * | 2022-12-13 | 2023-05-23 | 浙江大学 | 一种基于信息融合的轻量化图像去噪方法 |
| CN116824542A (zh) * | 2023-06-13 | 2023-09-29 | 重庆市荣冠科技有限公司 | 一种基于深度学习的轻量级雾天车辆检测方法 |
| CN117009916A (zh) * | 2023-06-25 | 2023-11-07 | 西安电子科技大学 | 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 |
| CN116992217A (zh) * | 2023-08-01 | 2023-11-03 | 郑州轻工业大学 | 基于多尺度动态加权多维残差卷积的机械信号降噪方法 |
| CN117272782A (zh) * | 2023-08-07 | 2023-12-22 | 兰州理工大学 | 基于自适应多支路深度可分离的热轧钢力学性能预测方法 |
| CN117516939A (zh) * | 2023-11-08 | 2024-02-06 | 哈尔滨工业大学 | 基于改进EfficientNetV2的轴承跨工况故障检测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117892258B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113191390B (zh) | 一种图像分类模型的构建方法、图像分类方法及存储介质 | |
| CN115409844A (zh) | 循环肿瘤细胞检测设备及其方法 | |
| CN112215119A (zh) | 一种基于超分辨率重建的小目标识别方法、装置及介质 | |
| CN112861958A (zh) | 对肾脏病免疫荧光图片进行识别分类的方法及装置 | |
| CN114242232A (zh) | 一种基于医学影像的疾病诊断装置及方法 | |
| CN117390371A (zh) | 基于卷积神经网络的轴承故障诊断方法、装置及设备 | |
| CN112489062B (zh) | 基于边界及邻域引导的医学图像分割方法及*** | |
| CN117892258B (zh) | 基于数据融合的轴承迁移诊断方法、电子设备及存储介质 | |
| CN112017788B (zh) | 基于强化学习模型的疾病排序方法、装置、设备及介质 | |
| CN112700420A (zh) | 一种眼底图像补全、分类方法及*** | |
| CN117152580A (zh) | 双目立体视觉匹配网络构建方法及双目立体视觉匹配方法 | |
| CN116705252A (zh) | ***癌诊断模型的构建方法、图像分类方法、设备、介质 | |
| CN116664953A (zh) | 2.5d肺炎医学ct影像分类装置及设备 | |
| CN115035339A (zh) | 一种基于人工智能的膀胱镜图像分类方法 | |
| CN113380417A (zh) | 基于lr-n的心血管疾病预测方法 | |
| CN112991257A (zh) | 基于半监督孪生网络的异质遥感图像变化快速检测方法 | |
| CN117058467B (zh) | 一种胃肠道病变类型识别方法及*** | |
| CN117934977B (zh) | 基于图连接和图节点的脑网络分类方法、***和设备 | |
| CN117912092B (zh) | 基于双目特征融合的眼底图像识别方法、装置及存储介质 | |
| CN117636100B (zh) | 预训练任务模型调整处理方法、装置、电子设备和介质 | |
| CN116539952B (zh) | 基于物联网的毫米波治疗仪功率智能采样方法及*** | |
| Koszykowski | Machine Learning Based Identification of Intercellular Junctions Present in Localized Regions wthin Pathological Images of Heart Tissue | |
| CN116721277A (zh) | 一种通用的证件异常检测模型训练和使用方法与装置 | |
| CN117115041A (zh) | 一种隧道场景下的图像质量优化方法 | |
| CN117438049A (zh) | 一种医疗数据整合方法和*** |
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 |