针对实际采煤机轴承故障诊断中存在变工况特征提取困难,故障训练样本不足等问题,结合当今流行的迁移学习的方法,提出了一种多尺度迁移学习的轴承诊断方法。首先通过经验模式分解(Empirical Mode Decomposition,EMD)从振动信号中分解成...针对实际采煤机轴承故障诊断中存在变工况特征提取困难,故障训练样本不足等问题,结合当今流行的迁移学习的方法,提出了一种多尺度迁移学习的轴承诊断方法。首先通过经验模式分解(Empirical Mode Decomposition,EMD)从振动信号中分解成不同频率的本征模态函数(Intrinsic Mode Function,IMF);其次将得到的不同频率的IMF与卷积神经网络中不同尺寸卷积核提取到的丰富特征互补构建多尺度特征融合;采用联合最大平均差异(Joint Maximum Mean Discrep⁃ancy,JMMD)特征迁移的方法使源域与目标域联合分布差异最小化,然后通过多尺度融合模型进行分类识别;最后在凯斯西储大学轴承数据集和江南大学数据集对该方法进行了验证。实验结果证明该模型在两种不同工况和型号的轴承数据集中均取得较高的准确率,表现出模型良好的泛化能力。展开更多
齿轮箱的故障诊断对于确保机械系统的可靠性、安全性和经济可行性至关重要。在工业实际中,齿轮箱通常运行在正常状态下,因此故障状态发生较少,且由于获取有标签的故障数据的成本较高,导致齿轮箱的健康状态监测面临着有标签故障数据稀缺...齿轮箱的故障诊断对于确保机械系统的可靠性、安全性和经济可行性至关重要。在工业实际中,齿轮箱通常运行在正常状态下,因此故障状态发生较少,且由于获取有标签的故障数据的成本较高,导致齿轮箱的健康状态监测面临着有标签故障数据稀缺的问题。然而,现有的深度迁移诊断方法存在数据生成质量不均匀和过度依赖少数类信息等局限性。为了克服这一挑战,提出条件分布域适应下数模混动齿轮箱故障诊断方法。首先,基于集中参数法构建不同齿轮故障的动力学模型以扩充少标签源域的故障数据;其次,类条件分布最大均值差异(class-conditional maximum mean discrepancy,CMMD)被嵌入诊断模型中,在再生希尔伯特核空间中(reproducing kernel Hilbert space,RKHS)显式构建了故障特征与故障标签的关系,以减小源域数据和目标域数据的分布差异;同时,为保证目标域样本建立可靠的伪标签,熵损失被引入模型训练过程中;最后,通过两个试验验证了所提出方法的有效性和可行性。展开更多
为保障医院信息网络的安全管理,避免医疗信息泄露,提出了基于深度生成模型的医院网络异常信息入侵检测算法。采用二进制小波变换方法,多尺度分解医院网络运行数据,结合自适应软门限去噪系数提取有效数据。运用最优运输理论中的Wasserst...为保障医院信息网络的安全管理,避免医疗信息泄露,提出了基于深度生成模型的医院网络异常信息入侵检测算法。采用二进制小波变换方法,多尺度分解医院网络运行数据,结合自适应软门限去噪系数提取有效数据。运用最优运输理论中的Wasserstein距离算法与MMD(Maximun Mean Discrepancy)距离算法,在深度生成模型中,对医院网络数据展开降维处理。向异常检测模型中输入降维后网络正常运行数据样本,并提取样本特征。利用深度学习策略中的Adam算法,生成异常信息判别函数,通过待测网络运行数据与正常网络运行数据的特征对比,实现医院网络异常信息入侵检测。实验结果表明,算法能实现对医院网络异常信息入侵的高效检测,精准检测多类型网络入侵行为,为医疗机构网络运行提供安全保障。展开更多
针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memo...针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络融合的迁移学习故障诊断方法。该方法首先应用不同尺寸池化层和卷积核捕获振动信号的多尺度特征;然后引入多头自注意力机制自动地给予特征序列中的不同部分不同的权重,进一步加强特征表示的能力;其次利用BiLSTM结构引入双向性质提取特征前后之间的内部关系实现信息的逐层传递;最后利用多核最大均值差异减小源域和目标域在预训练模型中各层上的概率分布差异并利用少量标记的目标域数据再对模型进行训练。试验结果表明,所提方法在江南大学(JNU)、德国帕德博恩大学(PU)公开轴承数据集上平均准确率分别为98.43%和97.66%,该方法在重庆长江轴承股份有限公司自制的轴承故障数据集上也表现出了极高的准确率和较快的收敛速度,为有效诊断振动旋转部件故障提供了实际依据。展开更多
文摘针对实际采煤机轴承故障诊断中存在变工况特征提取困难,故障训练样本不足等问题,结合当今流行的迁移学习的方法,提出了一种多尺度迁移学习的轴承诊断方法。首先通过经验模式分解(Empirical Mode Decomposition,EMD)从振动信号中分解成不同频率的本征模态函数(Intrinsic Mode Function,IMF);其次将得到的不同频率的IMF与卷积神经网络中不同尺寸卷积核提取到的丰富特征互补构建多尺度特征融合;采用联合最大平均差异(Joint Maximum Mean Discrep⁃ancy,JMMD)特征迁移的方法使源域与目标域联合分布差异最小化,然后通过多尺度融合模型进行分类识别;最后在凯斯西储大学轴承数据集和江南大学数据集对该方法进行了验证。实验结果证明该模型在两种不同工况和型号的轴承数据集中均取得较高的准确率,表现出模型良好的泛化能力。
文摘齿轮箱的故障诊断对于确保机械系统的可靠性、安全性和经济可行性至关重要。在工业实际中,齿轮箱通常运行在正常状态下,因此故障状态发生较少,且由于获取有标签的故障数据的成本较高,导致齿轮箱的健康状态监测面临着有标签故障数据稀缺的问题。然而,现有的深度迁移诊断方法存在数据生成质量不均匀和过度依赖少数类信息等局限性。为了克服这一挑战,提出条件分布域适应下数模混动齿轮箱故障诊断方法。首先,基于集中参数法构建不同齿轮故障的动力学模型以扩充少标签源域的故障数据;其次,类条件分布最大均值差异(class-conditional maximum mean discrepancy,CMMD)被嵌入诊断模型中,在再生希尔伯特核空间中(reproducing kernel Hilbert space,RKHS)显式构建了故障特征与故障标签的关系,以减小源域数据和目标域数据的分布差异;同时,为保证目标域样本建立可靠的伪标签,熵损失被引入模型训练过程中;最后,通过两个试验验证了所提出方法的有效性和可行性。
文摘具有混合记忆的自步对比学习(Self-paced Contrastive Learning,SpCL)通过集群聚类生成不同级别的伪标签来训练网络,取得了较好的识别效果,然而该方法从源域和目标域中捕获的行人数据之间存在典型的分布差异,使得训练出的网络不能准确区别目标域和源域数据域特征。针对此问题,提出了双分支动态辅助对比学习(Dynamic Auxiliary Contrastive Learning,DACL)框架。该方法首先通过动态减小源域和目标域之间的局部最大平均差异(Local Maximum Mean Discrepancy,LMMD),以有效地学习目标域的域不变特征;其次,引入广义均值(Generalized Mean,GeM)池化策略,在特征提取后再进行特征聚合,使提出的网络能够自适应地聚合图像的重要特征;最后,在3个经典行人重识别数据集上进行了仿真实验,提出的DACL与性能次之的无监督域自适应行人重识别方法相比,mAP和rank-1在Market1501数据集上分别增加了6.0个百分点和2.2个百分点,在MSMT17数据集上分别增加了2.8个百分点和3.6个百分点,在Duke数据集上分别增加了1.7个百分点和2.1个百分点。
文摘为保障医院信息网络的安全管理,避免医疗信息泄露,提出了基于深度生成模型的医院网络异常信息入侵检测算法。采用二进制小波变换方法,多尺度分解医院网络运行数据,结合自适应软门限去噪系数提取有效数据。运用最优运输理论中的Wasserstein距离算法与MMD(Maximun Mean Discrepancy)距离算法,在深度生成模型中,对医院网络数据展开降维处理。向异常检测模型中输入降维后网络正常运行数据样本,并提取样本特征。利用深度学习策略中的Adam算法,生成异常信息判别函数,通过待测网络运行数据与正常网络运行数据的特征对比,实现医院网络异常信息入侵检测。实验结果表明,算法能实现对医院网络异常信息入侵的高效检测,精准检测多类型网络入侵行为,为医疗机构网络运行提供安全保障。
文摘针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络融合的迁移学习故障诊断方法。该方法首先应用不同尺寸池化层和卷积核捕获振动信号的多尺度特征;然后引入多头自注意力机制自动地给予特征序列中的不同部分不同的权重,进一步加强特征表示的能力;其次利用BiLSTM结构引入双向性质提取特征前后之间的内部关系实现信息的逐层传递;最后利用多核最大均值差异减小源域和目标域在预训练模型中各层上的概率分布差异并利用少量标记的目标域数据再对模型进行训练。试验结果表明,所提方法在江南大学(JNU)、德国帕德博恩大学(PU)公开轴承数据集上平均准确率分别为98.43%和97.66%,该方法在重庆长江轴承股份有限公司自制的轴承故障数据集上也表现出了极高的准确率和较快的收敛速度,为有效诊断振动旋转部件故障提供了实际依据。
