新闻详情

新闻详情

首页 / 资讯中心 / 详情

基于小波包畸变与卷积神经网络的机械系统不平衡故障诊断方法解读

发布时间:2026/11/17 9:19:10来源:尧图网络
基于小波包畸变与卷积神经网络的机械系统不平衡故障诊断方法解读
在机械系统状态监测中实测故障样本数量往往远少于正常样本容易导致分类模型偏向多数类而出现误诊。针对这一问题论文《Highly imbalanced fault diagnosis of mechanical systems based on wavelet packet distortion and convolutional neural networks》提出了一种结合小波包畸变数据增强与卷积神经网络的诊断方案。该方法的核心思路是在训练前通过扰动时频域的小波包系数来合成少数类故障样本构建类别平衡的训练集。小波包畸变过程由正变换分解、系数非线性畸变与逆变换重构三部分组成。原始振动信号首先通过小波包变换分解为多个子带系数然后算法随机选取其中一个子带节点并在预设范围内抽取畸变系数对该节点系数执行保持符号不变的幂律非线性运算。这种变换在改变波形数值的同时保留了原始信号的主要频率成分最后经逆小波包变换重构出时域信号并将重构信号的标准差校正至与原样本一致以此完成样本扩充。分类阶段采用一维卷积神经网络完成特征提取与状态判定。网络主体由卷积层、批归一化层、非线性激活函数、全局平均池化以及全连接输出层组成。卷积操作借助局部感受野和权值共享降低模型参数量批归一化用于稳定中间特征分布以加快优化速度全局平均池化直接计算各个特征通道的均值压缩特征维度的同时省去了复杂的全连接隐藏层有助于约束网络容量。在整体训练策略上该方法引入了动态重新采样的机制。初始阶段将有限的故障样本扩增至与健康样本等量输入网络执行单轮训练。为了避免网络在训练过程中反复拟合同一批生成样本而产生过拟合每个训练轮次结束后均重新执行一次小波包畸变生成全新的故障样本替换上一轮数据交替迭代直至训练误差完全收敛或达到设定的最大迭代轮次。在实际参数设定与应用部署中主要配置项包括小波基函数、分解层数以及畸变系数的取值区间其中系数区间直接决定了增强样本的多样性程度。完成交替迭代训练后卷积神经网络的权重参数即被固化并用于待测信号的推理分类整个过程直接基于时域振动序列展开计算不依赖人工提取时频统计特征。参考文献Highly imbalanced fault diagnosis of mechanical systems based on wavelet packet distortion and convolutional neural networks[J]. Advanced Engineering Informatics, 2022, 51: 101535.https://www.sciencedirect.com/science/article/abs/pii/S1474034622000118
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉