提出了一种新颖的构建增量学习的集成域自适应方法(CIL-EDA),通过结合云特征提取方法和小波包分解(WPD),捕捉多重分辨率方面的故障信息的不确定性,进而通过域匹配增强每个隐藏节点的跨域学习能力,构建稳健的故障分类器,最终通过 CIL-DA 和并行集成学习的多数投票获得故障诊断结果,在少样本场景下,CIL-DA 优于其他域自适应方法,CIL-EDA 始终优于当前最先进的故障诊断方法。
Aug, 2023
本文提出了一种用于神经网络的随机化方法,即随机配置网络,其采用随机分配输入权重和偏差节点的方法,以监督机制为基础,通过分析地计算输出权重,建立了三种回归问题的版本。研究结果显示,该方法具有较少人为干预的优点,可自适应随机参数设定,学习速度快,泛化能力强。
Feb, 2017
基于随机配置机器 (SCMs) 的新的随机学习器模型被提出,以实现有效建模和数据尺寸节省,适用于工业应用。SCMs 的模型存储可以显著压缩,同时保持良好的预测性能,对于处理工业数据分析有很大潜力。
基于生成对抗增强多尺度卷积神经网络模型的滚动轴承故障诊断方法,通过编码滚动轴承的时间域信号并生成特征图,扩展训练样本集并提取故障特征,应用注意力机制进行特征加权和深度特征提取,通过 softmax 分类器完成故障诊断,具有更好的泛化性能和抗噪性能。
Mar, 2024
开发适用于问题解决的随机配置网络的循环版本,无需对输入变量的动态顺序进行基本假设,并通过监督机制构建初始模型并通过投影算法在线更新输出权重,从而在时间数据建模技术方面取得了显着突破。
Jun, 2024
通过在可编程门阵列 (FPGA) 上实现二值化输入的 SCM 模型,本文报告了两个基准数据集和两个工业数据集的结果,包括单层和深度架构的 SCM。
Oct, 2023
本文提出了一种基于极限学习机和逻辑映射的新型快速滚动轴承故障诊断方法,可实现更高的准确性和实时性,实验结果表明在预测准确率方面,该方法优于现有的同类比较方法,且在七个不同的子数据环境中,最高准确率达到了 100%。
Apr, 2022
本文提出了一种利用特征分布建模的不确定性量化方法,并进一步结合高效的集成机制 —— 批量集成随机神经网络(BE-SNNs)来克服特征折叠问题,经过多个 OOD 基准测试,证明 BE-SNNs 在许多方面优于其他现有的方法。
Jun, 2022
提出了一种基于多尺度核的自适应卷积神经网络(MSKACNN)的数据驱动诊断算法,使用原始轴承振动信号作为输入,提供了振动特征学习和信号分类能力,以识别和分析轴承故障,特别是针对球混合等难以用传统方法检测的故障。结果显示,MSKACNN 能够高效准确地诊断轴承不同工况,具有良好的适应性和通用性,为实时的轴承故障诊断系统提供了轻量级的模块实现。
Mar, 2022
本文提出了一种改进的 Gram 角场方法 (GAF) 结合灰度图像的卷积神经网络方法,用于滚动轴承的异常检测,具有可行性和工业部署的潜力。
Apr, 2023