项目名称: 基于深度学习与信息融合的机械系统健康评估方法研究

项目编号: No.51475170

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 机械、仪表工业

项目作者: 李巍华

作者单位: 华南理工大学

项目金额: 80万元

中文摘要: 针对大型风力发电装备等服役环境恶劣的机械系统,结合项目组在故障特征提取、数据融合与半监督流形学习诊断方法等方面的研究成果,深入研究复杂机械系统运行状态健康评估的问题。提出基于深度学习的故障时频图像特征提取方法,实现对关键部件微弱故障的特征增强。提出基于深层置信网络的多源传感器数据的融合诊断方法,实现对多源异构信息的一致性融合表示。利用深度学习强化传统监督式分类、半监督分类学习算法的性能,建立逐层学习的判别性深层卷积网络结构,提出一种基于正常状态样本集的故障预测方法和多故障分类识别方法。集成隐马尔科夫模型与深层神经网络,建立基于深度学习的机械系统健康评估模型,将深度网络结构纳入隐马尔科夫状态转移的识别过程,识别模式的演化特征,实现对机械系统运行状态的健康评估。

中文关键词: 深度学习;特征提取;故障诊断;信息融合;健康评估

英文摘要: Based on the studies of feature extraction,data fusion,semi-supervised fault diagnostics and manifold learning, we investigate the problems of complex mechanical system operation state health assessment, such as wind turbine health prognosis. A deep-learning based feature extraction method will be proposed to identify the time-frequency image of incipient fault signals, and a DBN could be used to represent the multi-source isomerous sensor data. The classical supervised and semi-supervised learning algorithms can be enhanced by use of deep learning, and the discriminative deep convolutional architecture could be constructed to learn the nature of the data from insufficient samples. Based on this study, we will propose a deep CNN based fault prognosis method to diagnose the incipient failures and classify different faults. By integrating Hidden Markov Model and Deep Neural Networks, a deep-architecture model will be constructed to perform machine health assessment. The deep network will be used for the state recognition during HMM learning process, and to capture the state transition information, which could be used to predict the anomaly occurrence and its propagation. Then machine performance could be effectively evaluated by this deep-learning based prediction model.

英文关键词: deep learning;feature extraction;fault diagnosis;information fusion;health evaluation

成为VIP会员查看完整内容
1

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
基于表格数据的深度学习方法
专知会员服务
20+阅读 · 2021年10月19日
专知会员服务
60+阅读 · 2021年9月4日
专知会员服务
77+阅读 · 2021年6月19日
专知会员服务
15+阅读 · 2021年5月16日
专知会员服务
76+阅读 · 2021年4月29日
基于生理信号的情感计算研究综述
专知会员服务
28+阅读 · 2021年2月9日
基于深度学习的数据融合方法研究综述
专知会员服务
81+阅读 · 2020年12月10日
【文本分类大综述:从浅层到深度学习,35页pdf】
专知会员服务
154+阅读 · 2020年8月6日
基于深度学习的数据融合方法研究综述
专知
12+阅读 · 2020年12月10日
一文读懂深度学习文本分类方法
AINLP
15+阅读 · 2019年6月6日
人工智能在设备状态评价和故障诊断中的应用
NE电气
22+阅读 · 2018年11月17日
【工业智能】风机齿轮箱故障诊断 — 基于振动信号
深度学习在文本分类中的应用
AI研习社
13+阅读 · 2018年1月7日
迁移学习在深度学习中的应用
专知
17+阅读 · 2017年12月24日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning
Arxiv
17+阅读 · 2018年10月24日
小贴士
相关VIP内容
基于表格数据的深度学习方法
专知会员服务
20+阅读 · 2021年10月19日
专知会员服务
60+阅读 · 2021年9月4日
专知会员服务
77+阅读 · 2021年6月19日
专知会员服务
15+阅读 · 2021年5月16日
专知会员服务
76+阅读 · 2021年4月29日
基于生理信号的情感计算研究综述
专知会员服务
28+阅读 · 2021年2月9日
基于深度学习的数据融合方法研究综述
专知会员服务
81+阅读 · 2020年12月10日
【文本分类大综述:从浅层到深度学习,35页pdf】
专知会员服务
154+阅读 · 2020年8月6日
相关资讯
基于深度学习的数据融合方法研究综述
专知
12+阅读 · 2020年12月10日
一文读懂深度学习文本分类方法
AINLP
15+阅读 · 2019年6月6日
人工智能在设备状态评价和故障诊断中的应用
NE电气
22+阅读 · 2018年11月17日
【工业智能】风机齿轮箱故障诊断 — 基于振动信号
深度学习在文本分类中的应用
AI研习社
13+阅读 · 2018年1月7日
迁移学习在深度学习中的应用
专知
17+阅读 · 2017年12月24日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员