检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

无监督对抗迁移学习轴承故障诊断

组合机床与自动化加工技术 2022年第4期 83-87页

作者：袁海飞尹洪申俞啸徐州徐工挖掘机械有限公司徐州221008 中国矿业大学物联网(感知矿山)研究中心徐州221008 中国矿业大学信息与控制工程学院徐州221116

针对轴承故障诊断中数据标签获取困难、变工况诊断准确率低下、模型诊断泛化能力弱等问题,提出了一种无监督对抗迁移学习轴承故障诊断的方法(MSWDCNN-DA)。首先,将源域与目标域的振动信号经过一层大卷积核,提取轴承故障的短时特征;其次... 详细信息

针对轴承故障诊断中数据标签获取困难、变工况诊断准确率低下、模型诊断泛化能力弱等问题,提出了一种无监督对抗迁移学习轴承故障诊断的方法(MSWDCNN-DA)。首先,将源域与目标域的振动信号经过一层大卷积核,提取轴承故障的短时特征;其次,根据不同卷积核获取的感受野不同,通过两个3×1、5×1的卷积核更加全面地获取不同层次的信号特征;然后,通过域对抗迁移模块,更好地对齐源域和目标数据之间的分布;最后,进行故障分类。通过在某大学轴承数据集中的实验,证明该模型在不同工况的数据集中都有较高的诊断准确率,表现出模型良好的泛化能力。

关键词：故障诊断对抗迁移学习无监督变工况

在线全文

学校读者我要写书评

暂无评论

基于对抗迁移学习的变工况电机轴承故障诊断

基于对抗迁移学习的变工况电机轴承故障诊断

作者：董岩松沈阳理工大学

学位级别：硕士

在实际的工业生产中,轴承等旋转机械能够健康工作尤其重要。轴承的工况并非是一成不变的,随着现场的实际情况的变化,轴承通常工作在不同工况下。由于不同工况的轴承数据的数据分布不同,这对于基于深度学习的故障诊断方法提出了考验。迁... 详细信息

在实际的工业生产中,轴承等旋转机械能够健康工作尤其重要。轴承的工况并非是一成不变的,随着现场的实际情况的变化,轴承通常工作在不同工况下。由于不同工况的轴承数据的数据分布不同,这对于基于深度学习的故障诊断方法提出了考验。迁移学习作为一种能够对不同工况都能够进行分类和预测的方法,被广泛地应用于变工况故障诊断中。现有的迁移学习模型存在以下的问题:(1)在训练阶段源域精度很高,而目标域准确度很低,随着训练的加深,模型将逐渐崩溃从而转向欠拟合状态。(2)对抗迁移学习模型在某些任务中存在着训练速度慢,甚至难以收敛的问题。(3)在目标域中,存在着类别混淆度较大的问题,不同类别之间的决策边界不够清晰,甚至出现了大量数据点的混淆。针对第一个问题,提出了一个由上采样层、卷积层、全连接层以及自注意力机制组成的分类模块。对数据的处理会对数据信息造成影响,使用上采样层为经过特征提取后的数据增加信息量,以此来解决训练阶段目标域和源域准确度差异较大带来的问题。针对第二个问题,在分类模块中引入的自注意力机制,利用其对时序信号有着更强的捕捉能力,解决了迁移模型在某些任务中存在的收敛慢、收敛难的问题。针对第三个问题,在模型中引入多尺度对抗机制,构建了多尺度领域判别模块。其中该模块在设计中对数据对齐的度量效果进行增强,从而在迭代中加强了学习过程的监督和不同数据的对齐效果。首先将不同工况的振动信号进行特征提取。然后,将经过特征提取后的源域送入分类模块,得到分类误差和注意力分数的误差;再将源域和目标域送入领域判别模块得到数据分布差异;利用这些误差在训练过程中对参数进行迭代。最后基于训练的参数,对测试集送入已保存的模型,得到变工况故障诊断结果。通过实验能够证明,本文所提的MSATL模型能够优于单一对抗机制的模型,ATLSAM框架在变工况故障诊断方面优于其它的方法,具有更好的故障诊断效果。

关键词：变工况轴承故障诊断对抗迁移学习多尺度对抗机制自注意力机制

基于改进对抗迁移学习的滚动轴承故障诊断研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

中国测试 2022年第5期48卷 96-101页

作者：杨健廖晨茜蔡晋辉曾九孙中国计量大学计量测试工程学院浙江杭州310018

为解决故障诊断中标签不足的问题,该文以滚动轴承作为对象提出一种改进的对抗迁移学习模型。该模型通过一维卷积结构提取时间信号特征,能够直接处理时域振动信号,并通过大尺寸卷积核抑制噪声的干扰;在对抗迁移学习的域判别器中采用卷积... 详细信息

为解决故障诊断中标签不足的问题,该文以滚动轴承作为对象提出一种改进的对抗迁移学习模型。该模型通过一维卷积结构提取时间信号特征,能够直接处理时域振动信号,并通过大尺寸卷积核抑制噪声的干扰;在对抗迁移学习的域判别器中采用卷积结构替换全连接神经网络,以对抗训练的方式减少训练数据和测试数据间的分布差异,以提高故障诊断精度。将改进后的模型应用于两个滚动轴承故障诊断案例中,通过添加不同信噪比的噪声信号验证提出的模型具有良好的抗干扰能力,同时以故障分类正确率作为指标,验证该模型具有更高的诊断精度和鲁棒性。

关键词：对抗迁移学习故障诊断一维卷积结构域判别器

面向滚动轴承故障诊断的改进对抗迁移学习算法研究

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

中国测试 2021年第9期47卷 15-19,40页

作者：杨健李立新廖晨茜蔡晋辉曾九孙中国计量大学浙江杭州310018 中电海康集团有限公司浙江杭州310000

为解决故障诊断中标签不足的问题,该文以滚动轴承作为对象提出一种改进的对抗迁移学习模型。该模型通过一维卷积结构提取时间信号特征,能够直接处理时域振动信号,并通过大尺寸卷积核抑制噪声的干扰;在对抗迁移学习的域判别器中采用卷积结构替换全连接神经网络,以对抗训练的方式减少训练数据和测试数据间的分布差异,以提高故障诊断精度。将改进后的模型应用于两个滚动轴承故障诊断案例中,通过添加不同信噪比的噪声信号验证提出的模型具有良好的抗干扰能力,同时以故障分类准确率作为指标,验证该模型具有更高的诊断精度和鲁棒性。

关键词：对抗迁移学习故障诊断一维卷积结构域判别器

在线全文

学校读者我要写书评

暂无评论

基于跨语种声学分析的帕金森病检测方法

电子与信息学报 2024年第2期46卷 546-554页

作者：季薇王传瑜吴迪李云郑慧芬南京邮电大学通信与信息工程学院南京210003 南京邮电大学计算机学院南京210023 南京医科大学附属老年医院南京210024

基于语音的帕金森病检测具有非介入式、成本较低和无创等优点。当前公开的帕金森病语音数据集大多来源于单一语种,存在数据容量不够大、受试者母语发音特点差异小等特点。单一语种数据集上训练的帕金森病检测模型在面对跨语种语音数据时... 详细信息

基于语音的帕金森病检测具有非介入式、成本较低和无创等优点。当前公开的帕金森病语音数据集大多来源于单一语种,存在数据容量不够大、受试者母语发音特点差异小等特点。单一语种数据集上训练的帕金森病检测模型在面对跨语种语音数据时,将出现性能下降。为避免语种差异带来的影响,提升模型在跨语种场景下的检测性能,该文引入对抗迁移学习和特征解耦的思想,提出一种帕金森病跨语种声学分析模型(CLSAM)。首先,将基于多头自注意力机制的Transformer编码块和多层神经网络级联,组成特征提取器模块,用于将从源域和目标域语音中提取的原始Fbank语音特征初步解耦为两个向量,即域不变病理信息表征向量和域信息表征向量;设计了目标任务不一致的双重对抗训练模块,显式地分离域不变病理信息和域信息;最终,提取跨语种语音数据中的域不变病理信息用于帕金森病检测。该文在公开的MaxLittle帕金森病语音数据集以及自采的帕金森病语音数据集上,采用十折交叉验证的方法验证了所提方法的有效性。实验结果表明:与传统机器学习方法以及现有的迁移学习算法相比,所提模型在跨语种场景中的检测准确率、敏感度和F1分数等性能均有明显提升。

关键词：跨语种声学分析帕金森病对抗迁移学习特征解耦

同方期刊数据库

小样本数据驱动模式下的新建微电网优化调度策略

在线全文

学校读者我要写书评

暂无评论

上海交通大学学报 2024年

作者：陈实杨林森刘艺洪罗欢臧天磊周步祥四川大学电气工程学院

新建微电网缺少历史运行数据，常规数据驱动的方法难以精确预测可再生能源出力，进而影响调度计划制定的准确性。本文提出一种适用于新建微电网小样本数据场景下的微电网优化调度方法。首先设计了融合域对抗神经网络和长短期记忆网络的... 详细信息

新建微电网缺少历史运行数据，常规数据驱动的方法难以精确预测可再生能源出力，进而影响调度计划制定的准确性。本文提出一种适用于新建微电网小样本数据场景下的微电网优化调度方法。首先设计了融合域对抗神经网络和长短期记忆网络的改进网络结构，将域对抗思想和梯度反转机制引入到迁移学习中，提高模型泛化能力，减小数据的域分布差异，使用出力特征相似电站的丰富运行数据对目标电站出力进行预测，克服了小样本条件下出力预测精度不高的问题。进一步，将优化调度模型转化为马尔可夫决策过程，使用双延迟深度确定性策略梯度算法求解。最后以改进CIGRE14节点微电网为例验证了所提方法的有效性。

关键词：小样本可再生能源出力对抗迁移学习深度强化学习微电网优化调度

基于迁移学习的聚酯纤维聚合过程时间序列预测研究

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于迁移学习的聚酯纤维聚合过程时间序列预测研究

作者：彭慧远东华大学

学位级别：硕士

聚酯纤维聚合过程是一个化学工艺复杂、生产设备多样的复杂流程工业过程,对其中的关键指标进行实时状态监控和数据分析有利于保障最终纤维质量,提高生产效能。工业监控和数据采集系统中存储了包含丰富历史工况信息的时间序列数据,利用... 详细信息

聚酯纤维聚合过程是一个化学工艺复杂、生产设备多样的复杂流程工业过程,对其中的关键指标进行实时状态监控和数据分析有利于保障最终纤维质量,提高生产效能。工业监控和数据采集系统中存储了包含丰富历史工况信息的时间序列数据,利用这些历史数据对过程关键指标进行预测有助于了解工业过程趋势,正确评估系统状态。但是,利用传统的机器学习方法进行时间序列预测建模往往需要大量(通常是长时间跨度)的历史数据来训练学习模型,而实际生产过程中工况的改变或生产线开停车等因素的影响会导致历史数据集的缺乏,导致不易对关键指标构建时序预测模型。为此,本文以迁移学习为主要研究方法,针对单一生产线获取历史时间序列数据有限的问题,引入其他生产线的历史传感器数据作为补充,对聚酯纤维聚合过程的时间序列预测建模问题进行研究,主要研究工作如下:(1)针对源域和目标域数据分布不适配的问题,提出一种基于迁移成分分析的时序预测模型。首先用迁移成分分析对源域和目标域数据的原始数据进行分布适配和降维,映射后的特征通过滑窗法构建时序数据集,随后输入长短期记忆网络中进行训练。该算法用特征变换的方法迁移源域知识,同时使用循环递归网络提取特征的时序信息以更好地进行时间序列预测任务。将模型应用于聚合过程酯化阶段不同生产线的时间序列预测建模问题,实验结果验证了迁移模型的有效性。(2)针对传统迁移方法映射能力有限且模型训练时间长的问题,构建深度迁移网络,在门控循环单元网络中添加域适应层,通过最小化源域和目标域深层特征间的最大均值差异来实现域适应。针对源域时序数据量大、时间跨度长而引发的时序分布漂移问题,提出基于最大熵理论的域分割方法与多个迁移网络的集成模型。域分割方法使分割后的每个时间区段内数据可视为服从同一分布,各个迁移网络的预测结果通过计算域相似性加权集成。实验结果表明该模型更好地提升了迁移效果。(3)针对分割源域后训练多个子网络冗余且耗时的问题,提出了一种基于域对抗的多源域时序深度迁移网络。首先通过多路对抗学习策略最小化目标域和每个子源域的分布差异,并通过域混淆分数表示深层特征下目标域样本属于不同子源域的可能性,作为每路预测器的权重系数。网络采用预训练、多路对抗学习、预测器适应的三阶段训练策略,能够提升模型在目标域上的预测性能并保证模型的泛化能力。实验结果表明该网络的迁移效果优于单源域迁移网络和基于源域分割的深度迁移模型。

关键词：聚酯纤维聚合过程时间序列预测迁移成分分析源域分割对抗迁移学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的调制信号识别研究

基于深度学习的调制信号识别研究

作者：胡安北京邮电大学

学位级别：硕士

随着通信技术的不断发展,各种新型调制方式层出不穷。为适应不同情况下的识别要求,调制识别技术也需要不断发展。近年来,基于深度学习的调制信号识别技术因其强大的自学能力而备受关注。然而,目前该技术仍存在一些问题。本文主要研究两... 详细信息

随着通信技术的不断发展,各种新型调制方式层出不穷。为适应不同情况下的识别要求,调制识别技术也需要不断发展。近年来,基于深度学习的调制信号识别技术因其强大的自学能力而备受关注。然而,目前该技术仍存在一些问题。本文主要研究两个问题:首先,针对传统信号调制识别方法对信号复杂调制方式难以识别的问题,本文提出了一种基于注意力的多模态多通道调制信号识别算法。该算法将原始数据转换为AP格式、FFT格式和IQ格式三种模态作为模型的输入,充分利用不同特征的相互作用和多样性,并利用多通道卷积长短期深度神经网络(Multi-channel Convolutional Long Short-term Deep Neural Network,MCLDNN)中的多通道模型进行特征融合,避免参数不平衡导致的正交关系恶化现象。在特征提取模块中,采用基于深度可分离卷积的残差网络和基于注意力机制的双向长短时记忆网络(Bidirectional LSTM,BiLSTM)来提取信号的时序特征,同时,自注意力机制和多头注意力机制的引入能够捕获特征间依赖关系。实验表明,该算法能够提高模型的识别精度、降低模型复杂度,在一定程度上提高模型的训练效率。其次,针对实际环境中的小样本数据和低信噪比环境下的调制信号数据,引入了对抗迁移网络来实现源域知识到目标域的转移,以提高目标域模型的识别性能。我们提出了两种对抗迁移学习模型:基于信息解耦的模型和引入多模态机制的信息解耦的模型。其中,基于信息解耦的模型通过引入私有组件和跨域共享组件进行建模,提升了模型的泛化性和性能。每个域中都有私有特征提取器来提取私有特征,同时加入共享特征提取器来提取共有特征,可以在一定程度上避免负迁移并提高目标域性能。此外,引入多模态机制可以针对IQ格式和AP格式信号进行特征融合,有效提升了目标域的模型识别精度。实验表明,本文方法能有效提升小样本数据和低信噪比下的数据集的识别精度和模型性能。

关键词：多模态多通道注意力机制对抗迁移学习梯度反转

面向低资源数据的知识抽取和弱关系推理的方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向低资源数据的知识抽取和弱关系推理的方法研究

作者：孙守志辽宁大学

学位级别：硕士

在当今社会,企业合作网络是极具有代表性的企业间合作形式之一。知识图谱(Knowledge Graph,KG)能表达丰富的语义、具有很好的解释性,被广泛应用于各个领域的企业合作。在知识图谱构建中,知识抽取是从结构化和非结构化源中创建知识,其作... 详细信息

在当今社会,企业合作网络是极具有代表性的企业间合作形式之一。知识图谱(Knowledge Graph,KG)能表达丰富的语义、具有很好的解释性,被广泛应用于各个领域的企业合作。在知识图谱构建中,知识抽取是从结构化和非结构化源中创建知识,其作为知识抽取的首要任务,如何针对数据特点设计知识抽取方法急需解决。经过知识抽取后,知识图谱已经初见雏形,但仍隐藏着我们难以轻易发现的关系信息,这注定了知识图谱的低质性,基于图谱中已有的知识推理出未知关系也成为了必然工作。本文主要对低资源数据进行知识抽取并对抽取到的知识作弱关系推理进行研究,面向低资源数据的知识抽取和弱关系推理一方面能够提高知识图谱的数据服务能力,另一方面提质后的图谱也能够更好地解决上下游企业合作一类问题。在进行领域知识图谱构建时,如果想要提供更好的数据服务能力,需要解决的首要问题就是考虑数据特点进行有针对性的知识抽取,获得知识图谱的基本组成单位。当完成面向低资源数据的知识抽取后,此时获得的知识三元组就可以为企业合作提供服务,但此时的知识三元组存在着过多的强关系,并不能很好地解决上下游企业合作这类问题,因此在现有知识三元组的基础上做弱关系推理是急需解决的问题。本文的研究内容为:1)针对现有的知识抽取方法并不能充分考虑领域数据特点做到有针对性的知识抽取,本文提出一种基于CT-DA(Confronting Transfer-Dynamic Attention)模型的知识抽取方法,CT-DA模型中的对抗迁移学习层和动态注意力机制层能够很好地解决低资源数据存在的标注性低、边界性强的问题。首先,设计一种针对低资源数据的标注策略。然后,选用Bert模型作为表示层,即利用大量数据实现无监督学习完成初始模型训练。针对低资源数据标注性低的特性,设计对抗迁移学习层来实现数据迁移。同时考虑到低资源数据存在边界性强的特性,设计出动态注意力机制层进行特定领域知识的重点关注。2)针对现有的知识图谱存在较多强关系,异质性信息传递能力较弱的问题,本文提出了一种基于双层随机游走的弱关系推理方法(DGRWR),旨在通过双层弱关系网络传递更多的异质性信息,从而更好地服务于上下游企业推荐一类问题。首先,基于弱关系重构知识抽取得到的基础知识三元组,获取双层弱关系网络:第一层网络利用SSLPA(Stochastic Speaker-listener Label Propagation Algorithm)建立信任网络结构,网络的总权重由信任门机制量化,其中属性权重通过迁移对抗技术确定。第二层为利用节点的属性信息建立的属性网络,属性网络依照二部图技术构建。然后,让双层弱关系网络在随机游走模型中进行切换,待随机游走模型达到稳定分布后,得到较多弱关系。最后,本文进行了面向低资源数据的知识抽取和弱关系推理的实验分析。实验表明:基于CT-DA模型的知识抽取方法考虑数据特点,准确性、F1值上有所提高;基于双层随机游走的弱关系推理方法在保证一定准确性的前提下,弱关系提供更多异质性信息,较好地解决上下游企业推荐一类企业合作问题。

关键词：知识抽取知识推理低资源数据弱关系对抗迁移学习