-
题名基于属性描述的零样本滚动轴承故障诊断
被引量：3
- 1
-
-
作者
赵晓平
吕凯扬
邵凡
张中洋
-
机构
南京信息工程大学计算机与软件学院
南京信息工程大学江苏省网络监控中心
南京信息工程大学自动化学院
-
出处
《振动与冲击》
EI
CSCD
北大核心
2022年第15期105-115,共11页
-
基金
国家自然科学基金(51505234,51575283)。
-
文摘
数据驱动方式是对故障诊断模型进行训练的主要方法,然而因为机器运转环境复杂,没有可用的目标故障样本供模型训练而导致特征学习不充分的情况时有发生。针对这一问题,结合零样本学习(zero-shot learning,ZSL)思想,从属性描述的角度出发,提出了一种基于Xception网络和卷积神经网络(convolutional neural networks,CNN)的零样本滚动轴承故障诊断方法,即X-CNN故障诊断模型。X-CNN模型首先使用Xception网络对故障信号时频图进行特征提取;根据故障类别的属性描述构建属性矩阵,使用CNN对提取的特征进行属性学习;最后通过属性矩阵的相似度比较完成诊断工作。通过零样本条件下的故障诊断试验,证明了X-CNN故障诊断模型可以在不使用测试类样本进行训练的情况下完成滚动轴承故障诊断工作。
-
关键词
零样本学习(zsl)
Xception
卷积神经网络(CNN)
故障诊断
属性描述
-
Keywords
zero-shot learning(zsl)
Xception
convolutional neural network(CNN)
fault diagnosis
attribute description
-
分类号
TH17
[机械工程—机械制造及自动化]
TH133.3
-
-
题名基于多标签零样本学习的滚动轴承故障诊断
被引量：2
- 2
-
-
作者
张永宏
邵凡
赵晓平
王丽华
吕凯扬
张中洋
-
机构
南京信息工程大学自动化学院
南京信息工程大学计算机与软件学院
南京信息工程大学江苏省网络监控中心
-
出处
《振动与冲击》
EI
CSCD
北大核心
2022年第11期55-64,89,共11页
-
基金
国家自然科学基金资助项目(51575283,51505234)
-
文摘
近年来,数据驱动的方法在滚动轴承故障诊断领域发展迅速,但面对工程实际中没有历史记录的故障类型,仍存在故障特征学习不充分、误诊率高等不足。针对上述问题,提出了多标签零样本学习(multi-label zero-shot learning,MLZSL)故障诊断方法。首先,使用短时傅里叶变换(short-time Fourier transform,STFT)对可见类和未见类样本进行预处理,将得到的时频图像输入残差深度可分离卷积神经网络(residual depthwise separable convolutional neural network,RDSCNN)进行特征提取,再使用可见类故障特征训练属性学习网络,依靠属性学习网络预测未见类故障样本的属性向量,最终实现对未见类故障的诊断。设计了零样本条件下的故障诊断试验,结果表明MLZSL能将可见类故障属性迁移到未见类,并有效诊断未见类故障。
-
关键词
零样本学习(zsl)
特征提取
多标签
属性学习器
滚动轴承
-
Keywords
zero-shot learning(zsl)
feature extraction
multi-label
attribute learner
rolling bearing
-
分类号
TH17
[机械工程—机械制造及自动化]
TH133.3
-
-
题名视觉—语义双重解纠缠的广义零样本学习
- 3
-
-
作者
韩阿友
杨关
刘小明
刘阳
-
机构
中原工学院计算机学院
河南省网络舆情监测与智能分析重点实验室
西安电子科技大学通信工程学院
-
出处
《中国图象图形学报》
CSCD
北大核心
2023年第9期2913-2926,共14页
-
基金
国家自然科学基金项目(61906141)
东北师范大学应用统计教育部重点实验室项目(135131007)
河南省高等学校重点科研项目(23A520022)。
-
文摘
目的传统的零样本学习(zero-shot learning,ZSL)旨在依据可见类别的数据和相关辅助信息对未见类别的数据进行预测分类,而广义零样本学习(generalized zero-shot learning,GZSL)中分类的类别既可能属于可见类也可能属于不可见类,这更符合现实的应用场景。基于生成模型的广义零样本学习的原始特征和生成特征不一定编码共享属性所指的语义相关信息,这样会导致模型倾向于可见类,并且分类时忽略了语义信息中与特征相关的有用信息。为了分解出相关的视觉特征和语义信息,提出了视觉—语义双重解纠缠框架。方法首先,使用条件变分自编码器为不可见类生成视觉特征,再通过一个特征解纠缠模块将其分解为语义一致性和语义无关特征。然后,设计了一个语义解纠缠模块将语义信息分解为特征相关和特征无关的语义。其中,利用总相关惩罚来保证分解出来的两个分量之间的独立性,特征解纠缠模块通过关系网络来衡量分解的语义一致性,语义解纠缠模块通过跨模态交叉重构来保证分解的特征相关性。最后,使用两个解纠缠模块分离出来的语义一致性特征和特征相关语义信息联合学习一个广义零样本学习分类器。结果实验在4个广义零样本学习公开数据集AWA2(animals with attributes2)、CUB(caltech-ucsd birds-200-2011)、SUN(SUN attribute)和FLO(Oxford flowers)上取得了比Baseline更好的结果,调和平均值在AwA2、CUB、SUN和FLO上分别提升了1.6%、3.2%、6.2%和1.5%。结论在广义零样本学习分类中,本文提出的视觉—语义双重解纠缠方法经实验证明比基准方法取得了更好的性能,并且优于大多现有的相关方法。
-
关键词
零样本学习(zsl)
广义零样本学习(Gzsl)
解纠缠表示
变分自编码器(VAE)
跨模态重构
总相关性(TC)
-
Keywords
zero-shot learning(zsl)
generalized zero-shot learning(Gzsl)
disentanglement representation
variational auto-encoders(VAE)
cross-modal reconstruction
total correlation(TC)
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
