CN113935460B 类不平衡数据集下的机械故障智能诊断方法 （苏州大学）_第1页
CN113935460B 类不平衡数据集下的机械故障智能诊断方法 （苏州大学）_第2页
CN113935460B 类不平衡数据集下的机械故障智能诊断方法 （苏州大学）_第3页
CN113935460B 类不平衡数据集下的机械故障智能诊断方法 （苏州大学）_第4页
CN113935460B 类不平衡数据集下的机械故障智能诊断方法 （苏州大学）_第5页
已阅读5页，还剩14页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

类不平衡数据集下的机械故障智能诊断方法本发明类不平衡数据集下的机械故障智能对应类的故障数据，实现各类数据平衡；步骤2或者二值交叉熵损失函数以及编码器输出特征和判别器中间隐含特征之间的均方误差损(2)中，所述自动编码器由编码器和解码器组成，所述生成对抗网络由生成器和判别器组6.一种计算机设备，包括存储器、处理器及存储在34[0003]目前在机械故障智能诊断中常用的模型包括卷积神经网络(CNN)、深度置信网络一些冗余甚至是不相关的特征,这些特征降低了模的数据生成方法没有学习数据的分布特性，直接在时域信号中通过插值技术进行信号生5[0007]本发明要解决的技术问题是提供一种类不平衡数据集下的机械故障智能诊断方[0012]步骤(4)、数据生成：利用所述数据生成模型在训练中学习到的故障数据低维特器对数据真假鉴别的Wasserstein距离或者二值交叉熵损失函数以及编码器输出特征和判6[0024]与现有技术相比，本发明公开了一种类不平衡数据集下的机械故障智能诊断方[0026]图2是本发明类不平衡数据集下的机械故障智能诊断方法中得到的四种故障类型[0027]图3是本发明类不平衡数据集下的机械故障智能诊断方法及传统方法在五种不平[0029]如图1所示的一种类不平衡数据集下的机械故障智能诊断方法流程图，该技术具网络中的判别器分别对输入数据和生成数据进7[0038]3)判别器对数据真假鉴别的Wasserstein距离或者二值交叉熵损失函数。优化该损失函数可以进一步提高生成器生成数据的[0040]通过对以上损失函数的优化，最终使生成数据接近于同类别输入数据的数据分[0041]预设的优化算法包括但不限于随机梯度下降法(SGD)、带动量的随机梯度下降并把幅值归一化到[0,1]范围。原始时域信号长度为2048个数据点，经过8量。随后将该特征分别输入到两个全连接层中，第一个全连接层将64维的特征向量降至1出的方法和合成少数类增采样技术获得的类平衡数据集训练支持向量机后得到的分类准9法可以获得最高的分类准确率，证明本发明提出的数据生成方法获得的生成数据的质量

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论