Jun, 2024

DKDL-Net：一种基于解耦知识蒸馏和低秩适应微调的轻量级轴承故障检测模型

PDF
TL;DR提出了一种轻量级的滚动轴承故障诊断模型 DKDL-Net，通过解耦知识蒸馏和低秩自适应微调，在 CWRU 数据集上进行训练，实验证明在保持模型性能的同时，DKDL-Net 在计算复杂度上实现了 99.48% 的准确率，比现有技术模型高出 0.58%，且参数更少。
rolling bearing fault detectiondeep learningsignal processingdkdl-netcomputational complexity
发现论文，激发创造
  • 一种新的知识蒸馏网络用于增量式少样本表面缺陷检测

    本文针对表面缺陷检测中的数据增量问题，提出了一种基于知识蒸馏和预训练 - 微调迁移学习范式的新型检测网络 DKAN，通过特征和分类知识对齐来解决遗忘和误分类问题，在 NEU-DET 数据集上实验证明其有效性，表现优于其他方法。

    Sep, 2022

  • BearingPGA-Net：一种轻量且可部署的轴承故障诊断网络，通过解耦知识蒸馏和 FPGA 加速

    通过蒸馏方法训练轻量级模型 BearingPGA-Net，并使用 FPGA 加速方案，实现了高速、便携和低功耗的轴承故障诊断，相较于其他轻量级方法具有优异的诊断性能。

    Jul, 2023

  • 基于生成对抗增强的多尺度卷积神经网络模型的滚动轴承故障诊断方法

    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

  • 强化轻量级裂纹分割模型性能的鲁棒特征知识蒸馏

    该论文开发了一种名为鲁棒特征知识蒸馏（RFKD）的框架，通过从教师模型的逻辑层和中间特征图中提取知识，并利用混合的清晰和噪声图像将稳定的模式传递给学生模型，提高其精度、泛化性能和抗噪声性能，从而改善轻型裂缝分割模型的鲁棒性。验证结果表明，在噪声图像上，RFKD 相比于最先进的知识蒸馏方法在平均 Dice 分数上提高了 62%。

    Apr, 2024

  • 一种可解释的深度学习方法用于轴承故障诊断

    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

  • 基于集成域适应的滚动轴承故障诊断的构造增量学习

    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

  • 基于分类器导向的神经盲反卷积：面向高噪声条件下轴承故障诊断的物理知识驱动去噪模块

    该论文介绍了一种名为分类器引导下的盲解卷积 (ClassBD) 的方法，用于联合学习基于盲解卷积的特征提取和基于深度学习的故障分类。实验证明在噪声条件下，ClassBD 优于其他先进方法。

    Apr, 2024

  • 一种基于多尺度核的自适应卷积神经网络用于轴承故障诊断

    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

  • 轻量级自我知识蒸馏与多源信息融合

    提出了一种利用多源信息进行自知识蒸馏的轻量级框架，其中包括反向引导方法和形状正则化方法，其在各种数据集和模型上的综合实验中表现优于基线和最先进的自知识蒸馏方法，同时具有计算效率和鲁棒性。

    May, 2023

  • Robust-MBFD: 基于多种深度学习训练策略和一种新颖的双损失函数的鲁棒性电动机轴承故障检测深度学习系统

    通过对各种基于机器学习和深度学习的系统进行评估和比较，本研究证明了深度学习系统在电动机轴承故障检测任务中的优越性，并提出了一种鲁棒且通用的深度学习系统及其创新损失函数，通过在多个基准数据集上的实验验证了其在实际应用中的潜力。

    Oct, 2023