机械复合故障 zero-shot 智能诊断的标签描述空间嵌入模型

原创 已于 2023-02-15 16:48:29 修改 · 1.9k 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#神经网络 #python

于 2021-11-19 11:16:57 首次发布
本文介绍了一种针对复合故障的Zero-Shot智能诊断方法。该方法通过无监督特征学习、预判断测试数据和利用标签描述空间进行复合故障识别。实验结果显示，此方法能够有效识别未见过的复合故障。

文章目录

Background

现阶段的复合故障都是将其作为一个单独的故障类型，参与训练并测试
复合故障发生几率小，种类多，采集大量的故障数据难度大
能否将复合故障直接作为一种未知故障

zero-shot learning （ZSL）的目标是开发能够识别分布外的类别。ZSL的关键是探索和开发未知和已知类别之间的语义关系。为了反映不同类别之间的语义关系，通常会在ZSL方法中引入属性空间。

该诊断方法分为三个阶段。在阶段1中，通过无监督特征学习模型获得特征。根据这些特性，阶段2预先判断测试数据是从单一故障还是复合故障中收集的。在阶段3中，建立了一个标签描述空间(LDS)作为机械故障的属性空间。LDS描述了复合故障与相关的单个故障之间的关系。然后，提出了一种用于智能故障诊断的LDS嵌入式模型(LDS-IFD)来识别未知的复合故障。

Method proposed

大框架

在这里插入图片描述
1、特征提取
2、已知未知故障类别分类
3、已知 → \rightarrow →分类，未知 → \rightarrow →LDS-IFD

LDS-IFD

1、One VS Rest 提取单故障特征
2、T-SR 获得单故障与Health之间的特征相关性 D D D
3、复合故障近似为 D 12 = ∣ D 1 + D 2 ∣ / 2 D_{12}=|D1+D2|/2 D

最低0.47元/天 解锁文章
从零开始大模型开发与微调：链式求导法则
AI架构师小马
08-31 1万+
从零开始大模型开发与微调：链式求导法则 关键词：大模型，开发，微调，链式求导，深度学习，神经网络 1. 背景介绍 1.1 问题的由来 随着深度学习技术的飞速发展，大模型（
AI提示工程架构师：探索提示工程与智能营销的协同发展
Java大师兄的博客
08-10 491
提示工程（Prompt Engineering）是指设计和优化输入给人工智能模型（尤其是大语言模型）的文本提示（Prompts），以引导模型生成特定的、高质量的、符合预期的输出的过程。它是一种通过“提问”或“指令”来“编程”AI模型行为的方法，是人机交互的关键界面。想象一下，你面对一个博学但有时会“答非所问”的顾问。你的问题如何组织、信息给得是否充分、引导是否得当，将直接影响你得到的答案质量。提示工程的作用就类似于此，它是与AI模型进行“有效沟通”的艺术和科学。
Zero-shot learning for compound fault diagnosis of bearings
糯米团子的博客
02-20 728
该方法的训练过程将单故障的信号特征与其故障语义相匹配。2）设计了故障语义来表达单故障和复合故障的先验知识。将单故障的振动信号用于构造故障语义，而复合故障的故障语义来自单故障的故障语义。为了解决从单故障数据中学习并对未知复合故障进行分类的问题，本文引入了一种在特征和语义之间共享的中间层嵌入方法。1）提出了一种零样本学习复合故障诊断模型（ZLCFDM），该模型利用单故障的振动信号进行训练来识别未知的复合故障。三种单故障：滚动体故障（BF）、内圈故障（IF）、外圈故障（OF）选择单故障的振动信号的。
第四篇《复合故障诊断技术综述》论文阅读笔记
weixin_39128932的博客
10-06 1332
[1]张可,周东华,柴毅.复合故障诊断技术综述[J].控制理论与应用,2015,32(09):1143-1157. 复合故障诊断技术综述 一、文章本身 文章框架图 - Primary thesis （文章主旨—文章想说啥？如果不明显就自己去总结） 本文对复合故障的故障机理、 表现形式 、 诊断思路进行了概述。 分析了复合故障诊断的难点 。 讨论了复合故障的研究现状， 按照基于解析模型 、 基于定性经验、 数据驱动的分类方式分别对现 有的典型诊断方法和相关技术进行了综述， 指出了这些方法的适用范围和优.
第三篇《基于深度学习的城轨列车轴承复合故障诊断研究》论文阅读笔记
weixin_39128932的博客
10-05 1009
[1]姚德臣,刘恒畅,杨建伟,李熙,崔晓飞.基于深度学习的城轨列车轴承复合故障诊断研究[J].铁道学报,2021,43(06):37-44. 基于深度学习的城轨列车轴承复合故障诊断研究 一、文章本身 Research question(s) (文章的研究问题是什么？—通常好的实证研究都有非常具体的研究问题，我们要把它拎出来) 针对轴承复合故障振动信号的多分量耦合调制特征及特征参数难确定问题，提出一种基于深度学习的城轨列车轴承复合故障诊断方法。 Hypotheses (文章的实证假设是什么？—一般.
用于轴承复合故障诊断的零试学习
weixin_45809449的博客
04-22 4724
我们提出了一个零试学习复合故障诊断模型，其使用单样本故障去预测复合故障类。通过两层CNN提取故障振动数据的高维特征，设计故障语义特征去表达故障类别信息。我们在特征空间和故障语义空间之间引入了人一个共享中层语义嵌入空间。提出的模型复合故障特征和复合故障语义之间的相似性度量分类复合故障样本。
基于改进Transformer的复合故障解耦诊断方法研究总结报告
2401_84495872的博客
06-09 1157
一、研究背景与行业挑战在工业机械领域，复合故障（如轴承与齿轮同时故障、同一部件多处损伤）的诊断一直是难题。传统方法往往将复合故障视为独立于单一故障的新类型，忽视了其内部单一故障的耦合关系，导致诊断结果解释性差，难以制定针对性运维策略。此外，工业场景中复合故障数据极其稀缺，现有数据驱动方法（如卷积神经网络）依赖大量标注样本，在数据不足时性能显著下降。例如，当训练集仅含极少量复合故障样本（如5个）时，传统方法准确率常低于50%，无法满足实际需求。
47、深度学习技术全解析：从模型构建到应用部署
ik678901的博客
09-04 48
本文全面解析了深度学习技术，从基础概念、模型构建到应用部署的全流程。内容涵盖神经网络结构、模型评估与优化策略、大型语言模型（LLMs）、架构搜索技术、模型解释性方法、多模态学习以及深度学习中的风险与应对策略。此外，还探讨了深度学习的未来发展趋势，如模型轻量化、AutoML和联邦学习。通过丰富的案例和实际应用分析，帮助读者系统掌握深度学习的核心技术，并为实际项目落地提供指导。
为什么真正强大的 AI Agent，不再靠 Prompt，而靠 Skills？
最新发布
weixin_39856351的博客
12-22 925
随着 AI Agent 从对话工具走向真实执行者，单纯依赖 Prompt 或 Tool 的架构正暴露出可控性、复用性与专业性不足的问题。近年来，Anthropic 提出的 Agent Skills（智能体技能体系），以及 OpenAI 对该理念的隐式吸收，标志着 Agent 架构正在进入一个以“技能”为核心中间层的新阶段。
DeepLearning | Zero Shot Learning 零样本学习 零样本工业故障诊断
热门推荐
冯良骏 的 博客
04-19 1万+
本文是对浙江大学工业过程国家重点实验室赵春晖课题组最新论文：Fault Description Based Attribute Transfer for Zero-Sample Industrial Fault Diagnosis, IEEE TII, 2020 的翻译与解读，全文阅读约10～20分钟。 目录Abstract一、Introduction二、Problem Formulation2....
【故障诊断】复合轴承故障诊断的稀疏贝叶斯学习方法（Matlab代码实现）
weixin_46039719的博客
09-21 1098
稀疏贝叶斯学习方法是一种基于概率模型的稀疏信号处理技术，其核心思想是通过自动相关性确定（Automatic Relevance Determination, ARD）机制实现特征选择。该方法假设轴承振动信号的故障特征可由少量基函数的线性组合表示，即信号在特定字典（如小波、傅里叶基）下具有稀疏性。通过贝叶斯框架引入稀疏先验（如高斯-伽马先验），迫使大部分权重系数趋近于零，仅保留与故障相关的关键特征。
Zero-shot、 Zero-shot与meta-learning
weixin_42052249的博客
10-15 1347
例子：假设我们已知驴子和马的形态特征，又已知老虎和鬣狗都是又相间条纹的动物，熊猫和企鹅是黑白相间的动物，再次的基础上，我们定义斑马是黑白条纹相间的马科动物。不看任何斑马的照片，仅仅凭借推理，在动物园一众动物中，我们也能够找到斑马。 上述例子中包含了一个推理过程：利用过去的知识（已知动物的描述），在脑海中推理出新对象的具体形态，从而能对新对象进行辨认（如下图）。 如今十分火热的纯监督模型往往需要足够多的样本才能训练出足够好的模型，并且用熊猫训练出来的分类器，只能对熊猫进行分类，其
上下文视觉提示实现zero-shot分割检测及多visual-prompt改造
jin__9981的博客
05-22 2290
多visual prompt改造，对于zero-shot模型效果的影响
未知工作载荷下故障诊断的零样本学习方法（阅读笔记）
m0_49361060的博客
03-21 1517
阅读笔记之A zero‑shot learning method for fault diagnosis under unknown working loads 未知工作载荷下故障诊断的零样本学习方法 创新点：本文提出了一种基于压缩堆叠自动编码器的零样本学习方法。该方法仅由已知工作负荷的数据训练而成，无需先验数据即可诊断未知但相关的工作负荷故障。 ...
A Review of Generalized Zero-Shot Learning Methods
kuxingseng123的博客
11-23 1238
先将前面的方法都搞透彻，全部将其搞完整都行啦的理由与打算。再接着搞其他的方法，将其全部搞完整都行啦的理由
【双孔隙】基于有限元解及其后验误差估计双孔隙模型附Matlab代码
qq_59747472的博客
09-20 1115
双孔隙模型是描述多孔介质中流体流动的一种重要模型，其核心思想是将多孔介质分为两个孔隙系统，即宏观孔隙系统和微观孔隙系统。这种模型能够更精确地描述流体在多孔介质中的流动特性，尤其是在裂缝型储层、碳酸盐岩储层等复杂介质中。本文将基于有限元方法求解双孔隙模型，并结合后验误差估计方法进行模型精度验证，最终给出Matlab代码实现。
IEEE TII 基于多任务学习的异构数据协同建模，用于制造过程中的复合故障诊断
m0_59163425的博客
03-06 1347
由于制造过程的复杂多变的工作条件以及相互连接和耦合的回路，多个过程子系统或控制回路的故障可能会同时或相继发生，复合故障成为常态。复合故障发生后，其特征可能是传感器数据、图像或视频数据异常。大多数传统方法使用单一类型的传感器数据进行故障诊断，这可能会影响诊断性能。为了解决这个问题，考虑到复合故障数据的异质性，提出了一种基于多任务学习的复合故障诊断协同建模方法。具体来说，将异构复合断层数据映射到一个公共子空间中，考虑到非结构化和结构化数据的不同贡献，合理设置其动态组合系数。
如何利用LSTM（长短期记忆网络）模型处理和分析7种不同工况的复合故障数据集，以实现故障的诊断与分类。
2401_86822270的博客
03-09 1058
如何利用LSTM（长短期记忆网络）模型处理和分析7种不同工况的复合故障数据集，以实现故障的诊断与分类。
两个故障检测难点
qq_44865735的博客
08-29 437
间歇故障的特征：随机产生随机消失、对系统影响与噪声类似、具有累积效应，可逐渐演化、单次持续时间短、难以检测。 间歇故障检测：不仅要检测故障发生时刻，还要检测故障消失时刻，及故障再次发生时刻。 开环控制系统故障检测：输出对应输入，可根据输入输出关系判断控制系统具体故障位置。 闭环控制系统故障检测：由于反馈，输出对输入有影响，故障发生时难以判断控制器故障还是反馈回路故障。故障原因和结果互为因果关系，难以诊断。 ...
复合故障数据集
08-12
在电力系统和工业控制领域，复合故障数据集对于研究和开发数据驱动的故障诊断方法具有重要意义。这类数据集通常包含多种故障模式及其组合的数据，能够更真实地反映实际系统中可能出现的复杂故障情况。 对于电力系统而言，复合故障数据集可能包括但不限于输电线路的不同类型故障（如短路、断线等）、变压器内部故障、发电机故障等多类故障的组合。这些数据集往往需要涵盖不同运行条件下的数据，以便于研究者分析故障传播特性及影响[^3]。此外，随着智能电网的发展，数据集中还可能包含来自智能电表、传感器等设备的大量实时数据，用于支持更精确的故障定位与诊断。 而在工业控制系统中，复合故障数据集的应用更为广泛。它不仅涉及到传统的机械故障（如轴承磨损、齿轮断裂等），还包括电气部件（如电机、继电器）的故障以及控制逻辑错误等多种类型的故障。例如，德国帕德博恩大学提供的PU数据集就包含了多种轴承损伤状态的数据，这对于研究基于振动信号和电流信号的故障诊断技术非常有帮助[^1]。尽管该数据集主要针对单一类型的故障，但其设计理念和技术手段可以为构建更复杂的故障数据集提供参考。 为了获取相关的复合故障数据集，研究人员可以通过以下途径： - **学术机构与研究项目**：许多大学和研究机构会公开他们收集的数据集，特别是在特定的研究项目完成后。例如，PU数据集就是由德国帕德博恩大学的研究团队发布的。 - **行业合作**：与电力公司或工业制造商合作，可以获得现场设备的实际运行数据，这些数据往往包含了丰富的故障信息。 - **在线数据仓库**：一些在线平台，如Kaggle、UCI机器学习仓库等，也提供了多种领域的数据集下载服务。虽然专门针对电力系统或工业控制的复合故障数据集较少，但仍值得探索。 - **专业会议与期刊**：参加相关领域的国际会议或阅读最新发表的文章，有时也能找到作者分享的数据集链接。 如果您正在寻找具体的复合故障数据集以进行研究或开发工作，建议先明确所需数据的具体要求（如故障类型、数据采集频率、环境条件等），然后通过上述渠道进行有针对性的搜索。 ```python # 示例代码：如何从本地文件加载CSV格式的数据集 import pandas as pd # 加载数据集 dataset = pd.read_csv('path/to/your/dataset.csv') # 显示数据集前几行 print(dataset.head()) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值