2021-06-21基于深度学习的智能机械故障诊断的部分域适应方法阅读笔记

最新推荐文章于 2024-06-27 14:51:21 发布
最新推荐文章于 2024-06-27 14:51:21 发布
阅读量1.4k 收藏 13
点赞数
分类专栏： 迁移学习在故障诊断中的论文阅读笔记 文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_47180208/article/details/118079834
版权

文章目录

基于深度学习的智能机械故障诊断的部分域适应方法

无监督的目标域训练数据不会涵盖全机健康状态标签空间。故提出部分域自适应的方法。提出了条件数据对齐和无监督的预测一致性方案来实现部分域适应。部分域适应问题适应于实际工业场景，其中可用的无监督的目标域数据仅涵盖所有有关健康状况的子集。 通过最小化域之间的最大平均差异来实现条件数据对齐。提出了一种预测一致性方案通过对抗学习来影响多分类模块的性能。

在这里插入图片描述

一、提出的方法

部分域适应故障诊断问题上提出的深度神经网络的体系结构。提出了两种技术来解决域移位现象，即条件数据对齐和无监督的预测一致性。

<

最低0.47元/天 解锁文章
没有头发的小白
关注
  • 0
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
深度学习 故障诊断PPT
10-25
个人学习总结的深度学习及其在故障诊断中的应用，这个PPT可以让你了解AE SAE RBM DNN CNN RNN等各种深度学习网络模型。
深度学习在故障诊断领域中的研究现状与挑战
01-13
现代工业系统已呈现出向大型化、复杂化的方向发展,使得针对工业系统的故障诊断方法遇到一系列的技术难题.近年来,深度学习(deep learning)在特征提取与模式识别方面显示出独特的优势与潜力,将深度学习应用于解决复杂工业系统故障诊断的研究已初现端倪.为此,首先介绍几种典型的基于深度学习方法实现工业系统故障诊断方法;然后对基于深度学习实现故障诊断的主要思想和建模方法进行描述;最后总结和讨论了复杂工业系统故障的特点,并探讨了深度学习在实现复杂工业系统故障诊断方面所面临的挑战,展望了未来值得继续研究的方向.
深度学习在故障诊断中的应用综述_李春林_深度学习_故障诊断_诊断_
09-29
深度学习在故障诊断中的应用综述-计算机应用
旋转机械智能故障诊断的基于叠加式自动编码器的局部对抗域自适应模型
m0_47180208的博客
10-09 567
A Stacked Auto-Encoder Based Partial Adversarial Domain Adaptation Model for Intelligent Fault Diagnosis of Rotating Machines摘要网络模型三级目录 摘要 故障诊断在旋转机械的预测与健康管理中具有不可或缺的作用。近年来，基于领域自适应技术的智能故障诊断方法引起了研究人员的关注。然而，一个更广泛的故障诊断应用场景——部分域自适应(pda)还没有得到很好的解决。本文首次提出了一种新的基于堆叠
基于深度学习的故障诊断（含代码）.rar
10-08
BP神经网络是一种按误差反向传播的多层前馈网络，是目前应用最为广泛的神经网络之一。基于BP神经网络，进行齿轮故障诊断，四维数据，共两千条。均匀提取1500个样本为训练样本，500个样本为预测样本。
行业分类-设备装置-笔记本视觉检测机的检测方法.zip
08-23
- 异常检测：运用统计学方法和深度学习技术，检测出与标准图像不符的异常情况，如色差、位置偏移等。 3. 应用场景： - 生产线质检：在笔记本组装完成后，视觉检测机可自动进行全方面检测，提高生产效率，减少人工...
行业文档-设计装置-笔记本电池测试仪.zip
09-09
维修中心可以诊断故障电池，确定是否需要更换；用户则可以定期检测自己的电池，预防因电池问题导致的突然关机或性能下降。 文档可能还会涵盖测试仪的维护、校准以及安全操作规程，以保证测试结果的准确性和设备的...
IBM R40-R40E笔记本电脑 维修手册 资料
06-29
2. **故障诊断**：提供了多种常见问题的诊断流程，如无法启动、屏幕无显示、系统运行慢、硬件故障等，帮助用户快速定位问题所在。 3. **硬件更换**：详细说明如何拆解笔记本，安全地更换或升级部件，如更换内存、...
行业文档-设计装置-作业统计笔.zip
08-31
《行业文档-设计装置-作业统计笔》是一个与工业设计和设备管理相关的压缩包，包含了一份名为“作业统计笔....通过深入学习和应用这些知识，可以提升企业的生产效率和管理水平，推动企业向着更智能、更高效的方向发展。
大一大二传感器故障笔记
03-22
异常检测可以通过统计方法（如阈值设定、均值和标准差）、机器学习（如聚类、支持向量机）或深度学习（如自编码器、循环神经网络）实现。通过实时监控传感器数据，可以及时发现潜在问题，避免因故障导致的系统失效。...
基于深度学习的故障诊断模型代码和数据
03-30
基于深度学习的故障诊断模型代码和数据，有数据，有源码，可以直接跑通！ 亲测可以直接使用，对深度学习和故障诊断应用有一定的借鉴意义，代码注释全面
轴承故障诊断的深度对抗域自适应模型
03-08
轴承故障诊断的深度对抗域自适应模型
手把手教你：基于深度学习的滚动轴承故障诊断
热门推荐
大雾的小屋的博客
09-18 3万+
本文主要介绍如何使用python搭建：一个基于深度学习的滚动轴承故障诊断系统 项目中涉及使用了多种方法对比检测结果，包括： 传统机器学习方法：随机森林 深度学习方法：CNN 增加残差模块后的深度学习方法：ResNet 如各位童鞋需要更换训练数据，完全可以根据源码将图像和标注文件更换即可直接运行。
（ETN）Learning to Transfer Examples for Partial Domain Adaptation笔记
BEA_D的博客
04-18 531
Learning to Transfer Examples for Partial Domain Adaptation笔记 这是篇关于部分域适应的论文，他也提到了之前三篇比较经典的关于部分域适应的论文，并指出了它们的不足之处。 1.SAN:https://mp.csdn.net/editor/html/115243021 2.PADA:https://mp.csdn.net/editor/html/115277950 3.IWAN:https://mp.csdn.net/editor/html/11
域适应综述
SmartLab307的博客
06-01 5358
深度域适应综述_一般情况与复杂情况（学习笔记） 文章目录 深度域适应综述_一般情况与复杂情况（学习笔记） 图释 摘要 概述 文章主要内容 1.迁移学习概述 1.1 迁移学习, 域适应以及深度域适应的形式化定义 迁移学习 域适应 深度域适应 域适应与迁移学习的关系 1.2 影响目标域任务性能的因素——泛化误差 1.3 负迁移 2 深度域适应 2.1 基于领域分布差异的方法 2.1.1 基于统计准则的方法⭐⭐⭐ （1）MMD(Maximum Mean Discrepancy, 最大均值差异) （2）CORAL（
深度学习故障诊断算法：残差收缩网络
weixin_47174159的博客
07-31 5538
深度残差收缩网络是深度残差网络的一种新的改进版本，其实是深度残差网络、注意力机制和软阈值函数的集成。 在一定程度上，深度残差收缩网络的工作原理，可以理解为：通过注意力机制注意到不重要的特征，通过软阈值函数将它们置为零；或者说，通过注意力机制注意到重要的特征，将它们保留下来，从而加强深度神经网络从含噪声信号中提取有用特征的能力。 1.为什么要提出深度残差收缩网络呢？ 首先，在对样本进行分类的时候，样本中不可避免地会有一些噪声，就像高斯噪声、粉色噪声、拉普拉斯噪声等。更广义地讲，样本中很可能包含着与当前分类任务
深度学习与智能故障诊断学习笔记（三）——RNN与LSTM推导详解
Vanderbiol的博客
05-06 3549
1.RNN 1.1网络结构 标准神经网络的输入输出在不同例子中可能有不同的长度，在学习中并不共享从不同位置上学到的特征。因为标准神经网络的训练集是稳定的，即所有的特征域表达的内容是同一性质的，一旦交换位置，就需要重新学习。故障诊断和健康管理属于带有时间序列的任务场景，在进行学习时参数量巨大，标准神经网络无法体现出时序上的前因后果，所以引入循环神经网络。如图所示为RNN循环神经网络的单元。 其中为当前输入，为前一个状态，b为偏置项，tanh为激活函数，用于学习非线性部分。当前输入和前一个状态分别乘以
迁移学习 - 域适应Coral损失函数 - 代码实现
m0_47410750的博客
01-26 4863
Coral损失函数介绍 首先定义Coral损失函数 import torch def CORAL(source, target, **kwargs): d = source.data.shape[1] ns, nt = source.data.shape[0], target.data.shape[0] # source covariance xm = torch.mean(source, 0, keepdim=True) - source xc = xm.t() @
深度学习相关概念及术语总结2
最新发布
weixin_43597208的博客
06-27 488
DBSCAN算法的一个优点是，它不需要预先指定簇的数量，而是根据数据的分布自动确定簇的数量。AUC的计算方法是，首先根据模型的预测结果对样本进行排序，然后通过计算不同阈值下的真阳性率和假阳性率，绘制出ROC曲线（Receiver Operating Characteristic curve），最后计算ROC曲线下的面积即为AUC值。BPR模型在推荐系统中得到广泛的应用，特别是在处理隐反馈数据（如用户行为数据中只包含了交互物品的信息，而没有具体的评分或点击行为）以及进行个性化排序时，能够取得较好的效果。
深度学习吴恩达课程笔记(三)-参数VS超参数、深度学习的实践层面
10-26
该笔记总结了深度学习中参数和超参数的区别以及超参数的重要性。参数是模型内部需要学习的权重值，通过训练数据自动学习得到；而超参数是需要手动设置的参数，如学习率、正则化参数、批量大小等。超参数的选择对模型...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值