Jun, 2024

面对高度缺失数据的基于物理信息的深度学习和部分迁移学习的轴承故障诊断

PDF
TL;DR通过 PTPAI 方法生成合成标记数据，采用基于物理的深度学习技术，解决了轴承故障诊断中标记数据和缺失数据不足的问题，并通过 RF-Mixup 方法处理不平衡类别问题、MK-MMSD 和 CDAN 方法进行域适应，以及应用加权方法解决部分设置故障诊断难题。实验证明，该方法有效解决了这些问题。
bearing fault diagnosislabeled dataptpai methodimbalanced class problemspartial-set fault diagnosis
发现论文，激发创造
  • 基于物理信息的速率和状态故障摩擦的深度学习

    本文使用物理约束力学知识和机器学习方法开发了一种多网络的物理信息神经网络（PINN），用于模拟地震运动和推断地震断裂参数，以评估地震灾害。

    Dec, 2023

  • 利用领域自适应和数据增强构建制造深度学习模型的最小和不平衡训练数据

    本文提出了一种基于领域自适应和自编码器数据增强的方法，用于解决在目标学习任务中对标记训练数据的缺乏以及目标数据集不平衡的问题，实验结果表明该方法在标记样本数量显著较少和目标数据集不平衡的情况下具有优越性。

    May, 2023

  • 基于受控物理信息的数据生成，用于基于深度学习的未见过操作条件下的剩余寿命预测

    提出了一种基于物理学信息生成和深度学习预测模型的新型混合框架，其中包括一个新的受控物理学信息生成对抗网络 (CPI-GAN)，该网络使用五个基本物理约束条件将生成的合成降级轨迹的变化趋势保持一致并提高了剩余寿命预测的准确性。与商业模块化航空推进系统模拟 (N-CMAPSS) 的实验结果表明，该框架能够产生与基础降级趋势一致的合成 TTF 轨迹，进而显著提高了剩余寿命预测的准确性。

    Apr, 2023

  • 一对多：物理学知识的合成数据提升了用于快速磁共振成像重建的通用深度学习

    通过使用一种名为 PISF 的物理学知识驱动的合成数据学习框架，我们展示了在多种快速 MRI 重建场景中，训练深度学习模型可以实现与实际数据匹配的可比甚至更好的成果，并将对真实 MRI 数据的需求降低了高达 96%。

    Jul, 2023

  • 将物理学应用到深度学习 —— 以 4D 地震压力饱和度反演为例

    介绍了在神经网络体系结构中包含物理信息作为先验信息，并在训练时进行噪声注入以成功地将网络从合成数据转移到现场数据的示例。

    Apr, 2019

  • 故障预测中深度工业迁移学习调查

    本文是关于利用深度学习技术处理故障预测的应用场景、数据集不足和算法难定制等问题，探讨应用迁移学习和连续学习的方法来解决现实场景中故障预测问题的自适应性，并且为未来的研究提供最佳实践和通用的数据对比基准。

    Jan, 2023

  • 融合基于物理和深度学习模型的预测

    本研究提出一种利用深度学习算法和基于物理性能模型的信息相结合的方法，针对实际场景下复杂的关键安全系统进行预测，实验结果表明这种混合框架比仅依靠数据驱动方法能够将预测范围延长近 127％。

    Mar, 2020

  • 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

  • 基于物理信息的 Real NVP 卫星电力系统故障检测

    提出了一种基于人工智能的故障检测方法，并在 NASA 实验室中创建的 ADAPT 电力系统数据集上评估了其性能，结果表明我们的方法优于现有的故障检测方法，适用于解决卫星 EPS 子系统故障的独特挑战。

    May, 2024

  • 基于领域知识的健康数据映射合成故障样本生成方法，用于跨领域星行星齿轮箱故障诊断

    本文提出两种基于 HDMap 的数据合成方法（CutPaste 和 FaultPaste）来解决深度学习方法中存在的领域偏移问题，通过从源域提取的领域知识和故障特征合成目标域中的故障数据，实现了对各种严重程度故障的放缩合成，从而实现了对极端领域偏移情况下的行星齿轮箱故障诊断和故障严重程度评估。

    May, 2023