基于多任务学习的阀门空化检测和强度识别

猿急送>北京其它兼职程序员>小傻鱼>

案例列表

基本信息

案例ID：184227

技术顾问：小傻鱼 - 3年经验 - 西安电子科技大学，法兰克福高等研究院

联系沟通

微信扫码，建群沟通

项目名称：基于多任务学习的阀门空化检测和强度识别

所属行业：人工智能 - 其他

->查看更多案例

案例介绍

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 DHRB）来捕捉阀门频域声学信号中的敏感特征。然后，提出了一种新的一维DHRN结构。最后，设计的一维DHRN在两个无噪声的阀门声学信号数据集（数据集1和数据集2）和一个由SAMSON AG（法兰克福）提供的具有真实周围噪声的阀门声学信号数据集（数据集3）上进行了评估。我们的方法已经取得了最先进的结果。一维DHRN在空化强度识别方面的预测准确率高达93.75%、94.31%和100%，这表明一维DHRN优于其他DL模型和传统方法。同时，一维DHRN对空化检测的测试准确率高达97.02%、97.64%和100%。此外，一维DHRN还对不同频率的样本进行了测试，并对手机可容纳的样本频率显示出优异的结果。