【摘 要】
:
滚动轴承是现代工业设备的关键部件之一,支持设备正常运转,轴承的健康状态关系到诸多安全问题。为了保障设备正常运转,学者们对大数据驱动的滚动轴承诊断方法进行了大量研究。然而,在实际工作条件下,缺乏故障样本是阻碍这些方法在工业环境中应用的一个主要因素。为了对设备的全生命周期进行更好的管理,针对滚动轴承这一关键部件,本文研究了一种基于关系网络的少样本故障诊断方法,适用于数据稀缺的场景。在该方法中,利用关系
论文部分内容阅读
滚动轴承是现代工业设备的关键部件之一,支持设备正常运转,轴承的健康状态关系到诸多安全问题。为了保障设备正常运转,学者们对大数据驱动的滚动轴承诊断方法进行了大量研究。然而,在实际工作条件下,缺乏故障样本是阻碍这些方法在工业环境中应用的一个主要因素。为了对设备的全生命周期进行更好的管理,针对滚动轴承这一关键部件,本文研究了一种基于关系网络的少样本故障诊断方法,适用于数据稀缺的场景。在该方法中,利用关系网络在少样本学习中的良好性能,结合改进的训练策略,仅需少量真实故障的振动信号就能完成模型的训练。同时,将人工故障的振动信号作为有效的先验知识加入到模型训练中,从而有效减少所需的真实故障样本。也就是说,模型还包含了迁移学习的思想。此外,通过引入注意机制来提高特征提取能力,以便从稀缺样本中获取更多信息。与其他故障分类中的迁移学习模型相比,本文所研究的故障诊断模型在相同的少样本条件下表现更好。实验结果表明,在相对简单的迁移任务中,少样本学习在故障诊断中具有优势。本文的主要工作如下:(1)明确研究背景和意义,通过阅读国内外故障诊断的相关论文,学习掌握常用方法,归纳研究现状,针对现有问题从而提出本文的主要研究内容。(2)针对滚动轴承的人工故障数据量大和真实故障数据量少的特点,研究了适用于轴承的少样本学习的训练策略,通过人工故障数据的学习和真实故障数据的调整来达到学习的目的,能够充分利用人工数据的先验知识,并在理论上对改进策略和传统策略进行分析比较。(3)针对少样本的场景,研究了一种基于关系网络的轴承故障诊断模型,利用特征推理出样本间的潜在关系,并详细介绍了模型的原理和构建。为了减少模型对数据的依赖性,还引入了注意力机制对模型进行改进,来提高特征提取能力,定位并充分挖掘数据信息。(4)在德国帕德伯恩大学轴承数据集上进行实验。用准确率和综合评估指标作为模型性能度量,与四个常见模型和一个近年较新的模型进行对比,分别验证了所提出模型和训练策略的有效性,实验表明,本文的方法具有更高的分类准确度和实际应用价值。
其他文献
随着视频数据的爆炸式增长,视频摘要任务便成为了学术界和工业界一个热门的研究问题。该任务的目标是从原始视频中选择出最能够代表原始视频的帧或者镜头的集合,用于组成紧凑的摘要视频。因此,视频摘要任务的核心在于关键帧或者镜头的选择。根据摘要视频的表现形式不同,可以将视频摘要算法分为关键帧集合的静态视频摘要和关键镜头集合的动态视频摘要。本文针对动态视频摘要,主要围绕提升摘要视频质量展开研究,主要工作包括以下
在前端项目正式部署前,开发人员为了提高程序运行效率、降低网络传输开销、避免原始代码暴露在客户端应用程序中,会在不改变运行结果的前提下,对项目中的Java Script代码进行混淆和压缩处理。但对安全分析人员来说,通过逆向工程对源代码进行审查是非常有必要的,而混淆压缩的代码大大增加了审查的难度。因此需要一种变量名恢复方法帮助安全分析人员快速理解、分析代码执行逻辑。理论上来说,无法从代码本身携带的信息
肺结节分类与分割在肺结节临床诊断中起到关键作用,它们属于计算机辅助诊断平台中的核心问题。近年来,由于人工智能的快速发展,大量的基于深度学习的肺结节分类与分割算法被人提出。然而,现有的这些分类与分割算法都不能有效地解决肺结节组织固有的数据不确定性问题(病变可能清晰可见,然而仅从CT图像可能无法获得有关它是否是癌组织的信息)。因此,本文围绕肺结节组织固有的数据不确定性问题并结合深度学习技术分别对肺结节
肺癌是全世界发病率和死亡率最高的癌症之一。在利用计算机对肺癌进行智能诊断的过程中,肺结节的检测、分割和分类都是不可或缺的先后步骤。近年来,卷积神经网络算法在计算机视觉领域取得了突破性成就,同时在医学影像智能诊断任务上获得了优异的成绩。二维卷积神经网络可以有效挖掘肺结节平面的特征信息,却忽视了CT影像数据中肺结节三维空间中的上下文信息。针对以上问题,本文的研究方法基于三维卷积神经网络可以充分利用CT
随着移动设备和人工智能应用数量的爆炸性增长,人们的生活已经与移动多媒体技术变得密不可分。其中,语音输入因其便利性,在日常社交中变得越来越重要。因此网络中也随之出现了大量基于深度学习的自动语音分析(Automatic Speech Analysis,ASA)任务,由于计算和存储资源有限,移动设备逐渐无法处理用户产生的这些计算密集型任务,通常会寻求云计算的帮助。然而,这些ASA任务通常具有时延敏感性,
人工智能,近年来受到广泛的研究关注,并且在众多领域都得到实际运用。计算机视觉作为人工智能研究的一个子领域,目的在于实现计算机对人类智能处理视觉信息的模拟,以实现对于海量视频数据的高效智能处理。人作为社会活动中的主体大量出现在视频数据中,因此对人类行为的理解成为了视频分析技术的研究热点之一。由于人类行为复杂多变,细粒度地对这些行为进行研究,可以引导识别算法对其产生更鲁棒的理解,从而更好地运用于实际。
近年来,随着各行各业数据平台的建设,大数据驱动的机器学习技术推动现实社会逐步走向信息化和智能化,如语音识别、路径导航、人脸识别等。随着人工智能的应用领域的不断扩宽,深度学习技术逐渐发展和完善,传统数据集中式的机器学习引发社会对个人隐私数据安全的担忧。由于用户隐私数据泄露以及行业竞争私自使用隐私数据等问题频发,政府相继出台法律规定限制隐私数据的流通与共享,造成企业间“数据孤岛”现象,协同隐私数据联合
随着互联网、移动智能设备的普及,人与人之间的联系越来越密切,交流越来越方便。微信、Facebook等社交软件的出现为知识传播提供了新的途径,极大地促进了知识的传播。与此同时知识在个人职业竞争、企业生存竞争中占据的地位越来越重要。企业中员工的对知识的掌握程度,直接影响着企业的竞争力,因此为了提高企业员工的知识水平,研究企业中知识的传播便十分重要。但企业中存在“知识壁垒”的现象,导致企业中的知识传播十
手势识别作为人机交互的重要研究领域之一,其本质是将现实世界中的手势转换为其它信号数据,以让计算机理解意义并分类。其中,因骨骼数据具有轻量、简单的特点,相较于其它信号数据更易于处理,研究人员开始将其运用到手势识别任务中并取得了较好的效果。但从整体来看,针对骨骼手势识别的研究仍相对较少,并且仅使用简单的骨骼数据也大大提高了模型挖掘有效特征的难度。具体来说,目前骨骼手势识别技术所面临的关键问题在于:如何
在线迁移学习是一种面向在线流式数据的增量式学习方法,可通过将离线源域上学到的知识在线迁移到目标域,以弥补目标域标记样本稀缺问题,从而提高目标域学习模型的性能。然而现实中并不总是存在源域与目标域的特征空间和标签空间都一致,异构在线迁移学习利用单个或多个异构源域的标记数据来增强目标域的在线学习性能。现有的异构在线迁移学习方法通常假定源域特征空间是目标域特征空间的子集,或依赖于特定的辅助数据来构建源域与