期刊导航
期刊开放获取
VIP36
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多判别器辅助分类器生成对抗网络的故障诊断方法研究
被引量：
1
1
作者
叶子汉
王中华
+2 位作者
姜潮
吕新
张哲
《工程设计学报》
CSCD
北大核心
2024年第2期137-150,159,共15页
在强冲击、强辐射、极高温等极端恶劣的工作环境下,机械设备的故障模式复杂多样,获得充足且有效的故障数据变得非常困难甚至难以实现,以致故障诊断的准确性受限,后续检修维护方案难以有效制定。针对这一问题,提出了一种多判别器辅助分...
在强冲击、强辐射、极高温等极端恶劣的工作环境下,机械设备的故障模式复杂多样,获得充足且有效的故障数据变得非常困难甚至难以实现,以致故障诊断的准确性受限,后续检修维护方案难以有效制定。针对这一问题,提出了一种多判别器辅助分类器生成对抗网络的数据增强算法。通过设置3个判别器、1个生成器并添加独立的分类器,构建了新的辅助分类器生成对抗网络模型。针对在该模型训练中存在的不稳定性问题,通过引入Wasserstein距离构造新的损失函数,并采用稳定性更具优势的单边软约束正则化项替换原有的L2梯度惩罚项来解决模型崩溃问题;在此基础上,采用高效通道注意力机制来进一步提高模型的特征提取能力。将所提出的模型应用于扩充机械设备故障数据集,辅助深度学习智能诊断模型的训练。多个故障数据集扩充实验表明,与现有模型相比,新模型所生成数据的质量更高,故障诊断的准确率也得到进一步提高,因此具有较高的应用价值。
展开更多
关键词
多判别器辅助分类器生成对抗网络
高效通道注意力机制
Lipschitz(利普希茨)约束
数据增强
故障诊断
在线阅读
下载PDF
职称材料
基于边界辅助判别的滚动轴承故障特征增强及诊断方法
被引量：
1
2
作者
李佰霖
鲁大臣
+1 位作者
付文龙
陈禹朋
《机电工程》
CAS
北大核心
2024年第4期643-650,共8页
滚动轴承作为机械设备重要部件,对保障设备安全稳定运行具有重要意义。针对实际诊断中的滚动轴承故障数据不平衡问题,提出了一种基于边界辅助判别的辅助分类生成对抗网络模型(BD-ACGAN)。首先,设计了一种可用于提取故障样本边界细节特...
滚动轴承作为机械设备重要部件,对保障设备安全稳定运行具有重要意义。针对实际诊断中的滚动轴承故障数据不平衡问题,提出了一种基于边界辅助判别的辅助分类生成对抗网络模型(BD-ACGAN)。首先,设计了一种可用于提取故障样本边界细节特征的边界辅助判别器,以引导生成器生成更真实的样本,并采用该生成样本解决了数据不平衡的问题;其次,采用了自适应权重损失模块,动态调整了损失权重,使该模型更加关注重要的特征信息,从而提高了该模型的生成质量和特征表达能力;利用生成样本和真实样本数据对BD-ACGAN模型进行了增强训练,提高了该模型的泛化能力和诊断能力;最后,进行了消融实验及对照实验,对BD-ACGAN模型的特征增强能力和诊断效果进行了验证,分别采用美国凯斯西储大学和西安交通大学滚动轴承数据集对模型进行了实验验证。研究结果表明:该BD-ACGAN模型能够有效利用故障样本的边界特征解决数据不平衡问题,并且故障诊断精确度为98.79%,优于其他对照模型,为滚动轴承故障诊断提供了一种新的方法。
展开更多
关键词
轴承故障诊断
数据不平衡
边界辅助判别的辅助分类生成对抗网络
故障特征增强
自适应权重损失
数据集增广
在线阅读
下载PDF
职称材料
题名
基于多判别器辅助分类器生成对抗网络的故障诊断方法研究
被引量：
1
1
作者
叶子汉
王中华
姜潮
吕新
张哲
机构
湖南大学整车先进设计制造技术全国重点实验室
湖南大学机械与运载工程学院
出处
《工程设计学报》
CSCD
北大核心
2024年第2期137-150,159,共15页
基金
国防基础科研计划资助项目(JCKY2020110C105)
国家自然科学基金资助项目(52205262)
整车先进设计制造技术全国重点实验室开放基金资助项目(32175001)。
文摘
在强冲击、强辐射、极高温等极端恶劣的工作环境下,机械设备的故障模式复杂多样,获得充足且有效的故障数据变得非常困难甚至难以实现,以致故障诊断的准确性受限,后续检修维护方案难以有效制定。针对这一问题,提出了一种多判别器辅助分类器生成对抗网络的数据增强算法。通过设置3个判别器、1个生成器并添加独立的分类器,构建了新的辅助分类器生成对抗网络模型。针对在该模型训练中存在的不稳定性问题,通过引入Wasserstein距离构造新的损失函数,并采用稳定性更具优势的单边软约束正则化项替换原有的L2梯度惩罚项来解决模型崩溃问题;在此基础上,采用高效通道注意力机制来进一步提高模型的特征提取能力。将所提出的模型应用于扩充机械设备故障数据集,辅助深度学习智能诊断模型的训练。多个故障数据集扩充实验表明,与现有模型相比,新模型所生成数据的质量更高,故障诊断的准确率也得到进一步提高,因此具有较高的应用价值。
关键词
多判别器辅助分类器生成对抗网络
高效通道注意力机制
Lipschitz(利普希茨)约束
数据增强
故障诊断
Keywords
multi-
discrimin
ator
auxiliary
classifier
generative
adversarial
network
efficient channel attention mechanism
Lipschitz penalty
data augmentation
fault diagnosis
分类号
TP277 [自动化与计算机技术—检测技术与自动化装置]
在线阅读
下载PDF
职称材料
题名
基于边界辅助判别的滚动轴承故障特征增强及诊断方法
被引量：
1
2
作者
李佰霖
鲁大臣
付文龙
陈禹朋
机构
三峡大学电气与新能源学院
出处
《机电工程》
CAS
北大核心
2024年第4期643-650,共8页
基金
国家自然科学基金资助项目(51741907)
梯级水电站运行与控制湖北省重点实验室开放基金资助项目(2022KJX10)。
文摘
滚动轴承作为机械设备重要部件,对保障设备安全稳定运行具有重要意义。针对实际诊断中的滚动轴承故障数据不平衡问题,提出了一种基于边界辅助判别的辅助分类生成对抗网络模型(BD-ACGAN)。首先,设计了一种可用于提取故障样本边界细节特征的边界辅助判别器,以引导生成器生成更真实的样本,并采用该生成样本解决了数据不平衡的问题;其次,采用了自适应权重损失模块,动态调整了损失权重,使该模型更加关注重要的特征信息,从而提高了该模型的生成质量和特征表达能力;利用生成样本和真实样本数据对BD-ACGAN模型进行了增强训练,提高了该模型的泛化能力和诊断能力;最后,进行了消融实验及对照实验,对BD-ACGAN模型的特征增强能力和诊断效果进行了验证,分别采用美国凯斯西储大学和西安交通大学滚动轴承数据集对模型进行了实验验证。研究结果表明:该BD-ACGAN模型能够有效利用故障样本的边界特征解决数据不平衡问题,并且故障诊断精确度为98.79%,优于其他对照模型,为滚动轴承故障诊断提供了一种新的方法。
关键词
轴承故障诊断
数据不平衡
边界辅助判别的辅助分类生成对抗网络
故障特征增强
自适应权重损失
数据集增广
Keywords
bearing fault diagnosis
data imbalance
boundary-assisted
discriminative
auxiliary
classifier
generative
adversarial
network
(
bd-acgan
)
fault feature enhancement
adaptive weight loss
dataset augmentation
分类号
TH133.3 [机械工程—机械制造及自动化]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于多判别器辅助分类器生成对抗网络的故障诊断方法研究
叶子汉
王中华
姜潮
吕新
张哲
《工程设计学报》
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
2
基于边界辅助判别的滚动轴承故障特征增强及诊断方法
李佰霖
鲁大臣
付文龙
陈禹朋
《机电工程》
CAS
北大核心
2024
1
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
