利用深度学习加快杰斐逊实验室加速腔故障预测
发展了一种基于机器学习的故障检测方法,利用 LSTM 自编码器来捕捉正常模式并预测轨道锁定系统中监测传感器的未来值,当预测误差超过阈值时检测到异常。使用连续电子束加速器设施的监测数据进行实验,结果表明,使用单个轨道锁定控制系统组件的监测数据,我们的解决方案可以识别出 68.6%-89.3% 的实际异常,准确率可以高达 82%。
Jan, 2024
开发了一种计算机辅助诊断系统 (CAD),可通过作为牙医的第二意见,显著提高检测牙齿龋齿的能力;该系统由深度完全卷积神经网络 (FCNN) 组成,可对近 3000 个全口 X 光片进行自动诊断。与三名牙医的平均表现相比,我们的系统在召回和 F1-Score 方面的表现显著更好。
Nov, 2017
通过使用深度神经网络,该研究改进了粒子计时探测器的定时精度,从而减少了因时间走样效应引起的测量偏差,最终获得了 8% 到 23% 不等的定时精度提升。
Dec, 2023
本文介绍了一种基于深度学习的故障检测方法,利用高精度的数据采集设备收集数据来训练模型,并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测,在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。
Sep, 2020
在此工作中,我们提出了一种基于 Transformer 的框架(FaultFormer),用于分析振动信号以预测不同类型的轴承故障。通过使用数据增强和提取傅里叶模态的方法,我们训练了一个 Transformer 编码器,以实现最先进的准确度,并分析了注意机制和模型输出,以确认 Transformer 自动提取信号特征和学习全局和局部关系以进行分类的能力。最后,我们提出了两种预训练策略,为大型可推广 Transformer 的开发铺平了道路,使其能够适应生产现场的新数据、情况或机械设备。
Dec, 2023
设计了基于深度学习的系统来分析工业机器产生的声音信号,将声音信号转换为 Mel 频谱图,并使用 DenseNet-169 模型对谱图图像进行分类,结果表明该方法在不同的声音噪声比水平下实验得到了 97.17% 到 99.87% 的准确率。
Dec, 2023
利用基于模型的主动学习和对比自监督学习技术来优化未标记的振动数据,提出了一种新的机械故障诊断方法,通过少量标记样本和大量未标记数据的有效组合,实现了比现有方法更出色的性能。
Nov, 2023
利用卷积神经网络和 Grad-CAM 激活图可视化技术,提出一种对轴承故障进行分类的可解释型深度学习方法,通过识别训练样本的特征重要性形成了一个诊断知识库,在模型评估过程中根据特征重要性的相似性检索预测基础样本,实验结果表明该方法能够选择直观且具有物理意义的预测基础样本,提高模型对人类用户的可靠性。
Aug, 2023