您的检索：
学者姓名：高学金
精炼检索结果：
年份
成果类型
收录类型
来源
综合
合作者
语言
清除所有精炼条件
摘要 ：
本发明公开了一种基于注意力卷积自编码器的发酵过程故障监测方法。首先将发酵过程的三维数据展开成二维形式，并通过滑动窗采样得到模型的输入序列；之后设计了一种通道卷积注意力模块，并将通道卷积注意力模块融入卷积自编码器中。利用注意力卷积自编码器构建故障监测模型，利用重构误差构建平方预测误差监控统计量实现在线监测，再利用核密度估计方法确定该监控统计量的控制限。测试时先将测试样本进行标准化，然后再输入到模型中，计算出监控统计量的值，并与其控制限进行比较。若未超出控制限则表示系统正常；若超出控制限，则表示出现故障样本。本发明对故障的发生更加敏感，有利于及时发现故障，减少监测过程中误报警、漏报警现象的发生。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 高学金 , 姚玉卓 . 一种基于注意力卷积自编码器的发酵过程故障监测方法 : CN202310309451.2[P]. | 2023-03-26 . |
| MLA | 高学金 等. "一种基于注意力卷积自编码器的发酵过程故障监测方法" : CN202310309451.2. | 2023-03-26 . |
| APA | 高学金 , 姚玉卓 . 一种基于注意力卷积自编码器的发酵过程故障监测方法 : CN202310309451.2. | 2023-03-26 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了基于动态自适应域对抗网络的多工况工业过程故障诊断方法，包括：对过程数据进行标准化并取滑动窗，获得动态数据，利用源工况的标签动态数据和目标工况的无标签动态数据训练动态自适应域对抗网络，动态自适应域对抗网络包含特征提取器、标签分类器、全局域鉴别器和局部域鉴别器，全局域鉴别器对齐源工况和目标工况的边缘分布，局部域鉴别器对齐源工况和目标工况的条件分布，提出一种可学习参数自适应地评估边缘分布和条件分布的相对重要性，以更好地提取域不变特征，并提出一种共同中心损失，提高数据的类间可分性和类内紧密性，进一步提高故障诊断精度。标签分类器用于预测样本的故障类别。本发明为目标工况建立精确的故障诊断模型。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 高慧慧 , 黄文杰 , 韩红桂 et al. 基于动态自适应域对抗网络的多工况工业过程故障诊断方法 : CN202310069395.X[P]. | 2023-01-13 . |
| MLA | 高慧慧 et al. "基于动态自适应域对抗网络的多工况工业过程故障诊断方法" : CN202310069395.X. | 2023-01-13 . |
| APA | 高慧慧 , 黄文杰 , 韩红桂 , 高学金 . 基于动态自适应域对抗网络的多工况工业过程故障诊断方法 : CN202310069395.X. | 2023-01-13 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
Limited operating data resulting from complex and changeable working conditions significantly undermines the performance of deep learning-based methods for rolling bearing fault diagnosis. Generally, this problem can be solved by using the generative adversarial network (GAN) to augment data. Most GAN-based methods, however, seldom comprehensively consider the global interactions and local dependencies in raw vibration signals during data generation, leading to a decline in the quality of the generated data and compromising the diagnostic accuracy. To address this problem, a fault diagnosis method based on integrated convolutional transformer GAN (ICoT-GAN) is proposed to improve the diagnostic performance under limited data conditions by generating high-quality signals. First, a new data augmentation model ICoT-GAN is developed. In ICoT-GAN, a novel ICoT block is designed to construct the generator and discriminator. The ICoT block achieves the integration of attention-based global information capture and convolution-based local feature extraction through the incorporation of convolution within the transformer encoder. This design allows the ICoT-GAN to comprehensively extract both global and local time-series features of raw signals and generate high-quality signals. Second, a novel data evaluation indicator, referred to as the multiple time-domain features indicator (MTFI), is designed to quantitatively evaluate generated signals' quality by calculating the similarity of time-domain features between the real and generated signals. The MTFI can complement probability distribution indicators and provide a comprehensive evaluation of the data augmentation model's generation ability by considering both time-series feature similarity and probability distribution differences. Finally, the effectiveness of our proposed method has been successfully demonstrated under limited data conditions using the Case Western Reserve University (CWRU) and Center for Intelligent Maintenance System (IMS) bearing datasets. With only 16 training samples per class, our proposed method achieves diagnostic accuracy of 99.99% and 99.70%, respectively. Additionally, the data generation time is only 1163.31 s, indicating the efficiency of our proposed method.
关键词 ：
transformer transformer Fault diagnosis Fault diagnosis rolling bearing rolling bearing Feature extraction Feature extraction Generative adversarial networks Generative adversarial networks limited data limited data Transformers Transformers Convolution Convolution Data models Data models generative adversarial network (GAN) generative adversarial network (GAN) Vibrations Vibrations
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | Gao, Huihui , Zhang, Xiaoran , Gao, Xuejin et al. ICoT-GAN: Integrated Convolutional Transformer GAN for Rolling Bearings Fault Diagnosis Under Limited Data Condition [J]. | IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT , 2023 , 72 . |
| MLA | Gao, Huihui et al. "ICoT-GAN: Integrated Convolutional Transformer GAN for Rolling Bearings Fault Diagnosis Under Limited Data Condition" . | IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT 72 (2023) . |
| APA | Gao, Huihui , Zhang, Xiaoran , Gao, Xuejin , Li, Fangyu , Han, Honggui . ICoT-GAN: Integrated Convolutional Transformer GAN for Rolling Bearings Fault Diagnosis Under Limited Data Condition . | IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT , 2023 , 72 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
The extreme unbalance of training samples among different working conditions caused by complex and variable external environments makes the fault diagnosis of a chiller based on domain adaptation (DA) poor performance. Although recently emerging fault diagnosis methods based on domain generalization (DG) can learn domain-invariant knowledge from multiple source domains and can generalize to unseen target domains, these methods still rely on multiple similar source domain data and rarely consider how to enhance the ability to distinguish the joint distribution of features extracted from the source domain samples. To address these problems, a generative domain-generalized framework for chillers fault diagnosis, namely, vision transformer generative adversarial DG (VIT-GADG), is proposed. In VIT-GADG, a novel VIT domain generation network (VIT-DGN) is first designed to reduce DG's dependence on multisource domain data by improving the diversity of the distribution of the source domain samples. Then, a new adversarial DG network called VIT conditional adversarial DG network (VIT-CADGN) is designed to extract domain-invariant knowledge from the source domain and latent domains that can be generalized to unseen target domains. Specifically, the VIT module can effectively extract the global statistical feature of input samples, which is conducive to the identification of joint distribution. Simultaneously, the collaborative conditional domain discrimination strategy is introduced to improve the distribution discrimination ability of the extracted global statistical features while simultaneously aligning its conditional distribution. In addition, a personalized adaptive weight strategy is proposed to improve the performance of VIT-CADGN. Finally, the comprehensive case study shows that VIT-GADG has a satisfactory ability to extract invariant features, which improves the diagnosis accuracy in the unseen target domain.
关键词 ：
unseen target domains unseen target domains fault diagnosis fault diagnosis generative adversarial domain generalization (GADG) generative adversarial domain generalization (GADG) vision transformer (VIT) vision transformer (VIT) Chillers Chillers
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | Jiang, Kexin , Gao, Xuejin , Gao, Huihui et al. VIT-GADG: A Generative Domain-Generalized Framework for Chillers Fault Diagnosis Under Unseen Working Conditions [J]. | IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT , 2023 , 72 . |
| MLA | Jiang, Kexin et al. "VIT-GADG: A Generative Domain-Generalized Framework for Chillers Fault Diagnosis Under Unseen Working Conditions" . | IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT 72 (2023) . |
| APA | Jiang, Kexin , Gao, Xuejin , Gao, Huihui , Han, Huayun , Qi, Yongsheng . VIT-GADG: A Generative Domain-Generalized Framework for Chillers Fault Diagnosis Under Unseen Working Conditions . | IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT , 2023 , 72 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了一种基于注意力卷积神经网络的视觉里程计算法。针对传统的视觉里程计要求图片含有大量的纹理信息，且求解过程较为复杂，而基于卷积神经网络的视觉里程计精度较低的问题，提出基于注意力卷积神经网络和门控循环单元的视觉里程计。利用注意力机制提高卷积模块特征提取的精度，从而提高视觉定位的精度。相比于以往的视觉里程计算法，在保证了精度的同时摒弃了复杂的求解过程，更加适合于实际工程应用。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 高学金 , 牟雨曼 , 任明荣 . 一种基于注意力卷积神经网络的视觉里程计算法 : CN202210113074.0[P]. | 2022-01-29 . |
| MLA | 高学金 et al. "一种基于注意力卷积神经网络的视觉里程计算法" : CN202210113074.0. | 2022-01-29 . |
| APA | 高学金 , 牟雨曼 , 任明荣 . 一种基于注意力卷积神经网络的视觉里程计算法 : CN202210113074.0. | 2022-01-29 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了基于对抗局部最大均值差异的多模态工业过程故障诊断方法，小样本条件下目标模态故障诊断方法的过程包括：对过程序列数据进行滑动窗口截取，获得二维故障诊断输入样本；通过卷积特征提取器提取多模态过程数据的局部动态特征；引入梯度反转层使卷积特征提取器和领域判别器形成对抗关系，以对抗的方式提取模态间领域不变特征，实现全局分布对齐；将局部最大均值差异(LMMD)度量嵌入到类标签预测器的全连接层，结合目标模态无标签样本的伪标签信息精确实现类级对齐。本发明所述的多模态故障诊断方法，在基于对抗训练的基础上引入LMMD子域对齐，来实现关键过程知识的迁移，最终有效提升跨域故障诊断性能。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 高慧慧 , 魏辰 , 韩红桂 et al. 基于对抗局部最大均值差异的多模态工业过程故障诊断方法 : CN202210432556.2[P]. | 2022-04-23 . |
| MLA | 高慧慧 et al. "基于对抗局部最大均值差异的多模态工业过程故障诊断方法" : CN202210432556.2. | 2022-04-23 . |
| APA | 高慧慧 , 魏辰 , 韩红桂 , 高学金 . 基于对抗局部最大均值差异的多模态工业过程故障诊断方法 : CN202210432556.2. | 2022-04-23 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了一种基于迁移学习的滚动轴承故障诊断方法。针对无标记数据滚动轴承故障诊断方法不考虑细粒度信息导致故障诊断精度低的问题，提出一种基于迁移学习和残差网络的TL－ResNet故障诊断模型。首先，采用残差网络提取源域数据和目标域数据深层特征；其次，应用迁移学习中的领域自适应方法，计算已标记源域数据和未标记目标域数据的局部最大均值差异，并将该差异和源域样本分类误差作为损失函数，使用反向传播算法对网络进行训练；最后，基于CWRU轴承数据进行了变负载迁移实验，实验结果表明该方法大幅提升了故障诊断模型诊断精度，更加符合实际工程应用需求。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 高学金 , 李虎 . 一种基于迁移学习的滚动轴承故障诊断方法 : CN202211139882.0[P]. | 2022-09-20 . |
| MLA | 高学金 et al. "一种基于迁移学习的滚动轴承故障诊断方法" : CN202211139882.0. | 2022-09-20 . |
| APA | 高学金 , 李虎 . 一种基于迁移学习的滚动轴承故障诊断方法 : CN202211139882.0. | 2022-09-20 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了基于堆叠自编码器的递阶故障分类方法。首先，根据工业过程的先验知识和变量之间的相关性，将整个过程划分为若干子块；其次，将每个子块中容易误分类的故障类型作为复合类处理，避免误分类；训练基于SAE的故障诊断模型，实现故障的初步分类。然后，提出一种改进的D‑S证据理论，对多个SAE分类结果进行融合，处理多个SAE分类结果之间的冲突，提高故障诊断的准确性。最后，利用SAE分类模型对决策融合无法分类的故障类型进行分类。本发明降低了模型的复杂度且提高了SAE分类模型的精度，对工业过程的故障诊断具有重要的意义。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 高慧慧 , 黄文杰 , 韩红桂 et al. 基于堆叠自编码器的递阶故障分类方法 : CN202211042208.0[P]. | 2022-08-29 . |
| MLA | 高慧慧 et al. "基于堆叠自编码器的递阶故障分类方法" : CN202211042208.0. | 2022-08-29 . |
| APA | 高慧慧 , 黄文杰 , 韩红桂 , 高学金 , 韩华云 . 基于堆叠自编码器的递阶故障分类方法 : CN202211042208.0. | 2022-08-29 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
本发明公开了一种基于注意力增强时频Transformer的滚动轴承剩余寿命预测方法。针对传统Transformer模型对振动信号的上下文区域信息不敏感，导致在时序预测中容易忽略重要信息、降低预测精度的问题，该方法首先提取原始振动信号的时域和频域统计特征来构建健康指标，以全面表征轴承退化信息；在此基础上，引入通道‑空间注意力模块对时域和频域特征进行高适配性特征融合，以提高模型输入特征的质量。其次，提出一种新型卷积多头自注意力机制以增强模型学习序列上下文区域信息的能力，充分捕获信息之间的局部关联性。最后，利用全连接层、GeLU激活函数和Sigmoid激活函数构建回归器对滚动轴承剩余寿命进行预测。本发明有效地学习信号特征与剩余寿命之间的复杂映射关系，实现滚动轴承高精度剩余寿命预测。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 高慧慧 , 张潇然 , 韩红桂 et al. 一种基于注意力增强时频Transformer的滚动轴承剩余寿命预测方法 : CN202211670437.7[P]. | 2022-12-24 . |
| MLA | 高慧慧 et al. "一种基于注意力增强时频Transformer的滚动轴承剩余寿命预测方法" : CN202211670437.7. | 2022-12-24 . |
| APA | 高慧慧 , 张潇然 , 韩红桂 , 高学金 , 李方昱 . 一种基于注意力增强时频Transformer的滚动轴承剩余寿命预测方法 : CN202211670437.7. | 2022-12-24 . |
| 导入链接 | NoteExpress RIS BibTex |
摘要 ：
一种基于卷积变压器生成对抗网络的小样本滚动轴承故障诊断方法涉及滚动轴承等旋转设备故障诊断领域，克服在运行数据稀缺条件下难以实现准确故障诊断的问题。首先，获取滚动轴承实际运行条件下的信号数据并对其进行数据标准化处理；其次，构建具有卷积与变压器交叉式结构的生成器和判别器，利用变压器层有效地提取时序信号的全局时域特征；在此基础上，利用卷积层进一步提取时序信号的局部时域特征。同时将位置编码嵌入时序信号，使得模型可以充分学习信号所具有的位置信息特征，最终生成高质量的时序信号样本以扩充原始训练样本，从而提升小样本条件下的故障诊断精度。
引用：
复制并粘贴一种已设定好的引用格式，或利用其中一个链接导入到文献管理软件中。
| GB/T 7714 | 高慧慧 , 张潇然 , 韩红桂 et al. 一种基于卷积变压器生成对抗网络的小样本滚动轴承故障诊断方法 : CN202211233344.8[P]. | 2022-10-10 . |
| MLA | 高慧慧 et al. "一种基于卷积变压器生成对抗网络的小样本滚动轴承故障诊断方法" : CN202211233344.8. | 2022-10-10 . |
| APA | 高慧慧 , 张潇然 , 韩红桂 , 高学金 , 李方昱 . 一种基于卷积变压器生成对抗网络的小样本滚动轴承故障诊断方法 : CN202211233344.8. | 2022-10-10 . |
| 导入链接 | NoteExpress RIS BibTex |
导出
| 数据： |
选中 到 |
| 格式： |
