小傻鱼的案例列表

阀门在工业和家庭管道系统中被广泛使用。然而，在其运行过程中，它们可能会遭受空化现象的发生，这可能会导致巨大的噪音、振动和对阀门内部组件的损坏。因此，监测阀门内部的流动状态对防止空化现象引起的额外费用是非常有益的。本文提出了一个新颖的声学信号空化检测框架--基于XGBoost与自适应选择特征工程。首先，开发了一种非重叠滑动窗口（NOSW）的数据增强方法来解决本研究中涉及的小样本问题。然后，通过快速傅里叶变换（FFT）对每段时域声学信号进行变换，并提取其统计特征，作为自适应选择特征工程（ASFE）程序的输入，在此过程中进行自适应特征聚合和特征交叉。最后，利用选定的特征对XGBoost算法进行空化检...

基于对抗学习的异常声音检测

人工智能-其他小傻鱼

异常声音检测（ASD）是复杂工业系统中机械设备监测和维护的最重要任务之一。在实践中，有效识别工作中的机械系统的异常状态至关重要，这可以进一步促进故障的排除。在本文中，我们提出了一个多模式对抗学习单类分类框架，它允许我们同时使用对抗模型的生成器和判别器来实现高效的ASD。其核心思想是通过自动编码生成器的两种不同模式来学习重建声学数据的正常模式，这成功地将判别器的基本作用从识别真假数据概括为区分区域和局部模式的重建。此外，我们设计了一种新的可平衡的检测策略，使用生成器和鉴别器来有效实现异常检测。此外，我们提出了一个用于频域空间长期互动的全局过滤层，它直接从原始数据中学习，而不引入任何人为的先验因素...

基于多任务学习的阀门空化检测和强度识别

人工智能-其他小傻鱼

随着智能制造的快速发展，数据驱动的机械健康管理已经受到越来越多的关注。作为机械健康管理中最流行的方法之一，深度学习（DL）已经取得了显著的成就。然而，由于样本有限和声学信号中不同空化状态的可分离性差等问题，大大阻碍了DL模式在空化强度识别和空化检测方面的最终表现。同时不同的任务也是按照惯例分别进行的。在这项工作中，提出了一个新颖的多任务学习框架，用于同时进行空化检测和空化强度识别框架，使用一维双层次残差网络（1-D DHRN）分析阀门声学信号。首先，开发了一种基于滑动窗口的快速傅里叶变换（Swin-FFT）的数据增强方法，以缓解本研究中面临的小样本问题。其次，构建了一个一维双分层残差块（1-D...

------ 加载完毕 ------

小傻鱼的案例列表

小傻鱼

基于机器学习的自适应特征工程声学空化检测

基于对抗学习的异常声音检测

基于多任务学习的阀门空化检测和强度识别