-
题名基于快速学习图卷积网络的滚动轴承故障诊断研究
- 1
-
-
作者
宁少慧
董振才
戎有志
周利东
-
机构
太原科技大学机械工程学院
太原科技大学车辆与交通工程学院
-
出处
《机床与液压》
北大核心
2025年第12期53-59,共7页
-
基金
山西省应用基础研究计划(20210302123212)。
-
文摘
图神经网络跨层的递归邻域扩展为训练大型密集图带来时间方面的挑战,导致轴承故障诊断的训练效率不高。针对此问题,提出一种基于快速学习图卷积网络方法并将其应用于滚动轴承故障诊断中。利用快速傅里叶变换(FFT)将采集的轴承故障时域信号转化为频域数据,再利用K近邻(KNN)算法将频域信号转换为图数据,以图数据显示频域特征,极大丰富了输入信息;引入快速学习图卷积网络(Fast-GCN)模型,通过重要性采样对故障特征进行学习;最后,利用Log-Softmax函数输出最终分类结果,从而实现滚动轴承单一故障的分类。实验结果表明:所提模型在保证故障分类准确率的前提下,诊断速度显著提升,甚至比图卷积神经网络(GCN)的诊断速度增加了约1倍,且所提方法具有良好的半监督诊断性能与泛化能力。
-
关键词
滚动轴承
故障诊断
K近邻(KNN)算法
快速傅里叶变换(FFT)
快速学习图卷积网络(Fast-GCN)
-
Keywords
rolling bearing
fault diagnosis
K-nearest neighbor(KNN)algorithm
fast Fourier transform(FFT)
fast learning with graph convolutional networks(FAST-GCN)
-
分类号
TH222
[机械工程—机械制造及自动化]
-
-
题名细粒度语义知识图谱增强的中文OOV词嵌入学习
被引量：2
- 2
-
-
作者
陈姝睿
梁子然
饶洋辉
-
机构
中山大学计算机学院
-
出处
《计算机科学》
CSCD
北大核心
2023年第3期72-82,共11页
-
基金
国家自然科学基金面上项目(61972426)。
-
文摘
随着信息化领域的范围不断扩大,许多特定领域的文本语料开始涌现。这些特定领域,如医疗、通信等,由于受到安全性和敏感性的影响,其数据规模通常较小,传统的词嵌入学习模型难以获得有效的结果。另一方面,直接应用现有的预训练语言模型时会出现较多未登录词,这些词汇无法表示成向量,从而影响下游任务的性能表现。许多学者开始研究如何利用细粒度语义信息来得到较高质量的未登录词向量表示。然而,当前的未登录词嵌入学习模型大多针对英文语料,对中文词的细粒度语义信息只能进行简单的拼接或映射,难以在中文未登录词嵌入学习任务中得到有效的向量表示。针对上述问题,首先通过中文构字规则,即中文词所包含的汉字、汉字所包含的部件和拼音等,构建细粒度的知识图谱,使其不仅能涵盖汉字和单词之间的关联关系,还能对拼音和汉字、组件和汉字等细粒度语义信息之间的多元且复杂的关联关系进行表征。然后,在知识图谱上运行图卷积算法,从而对中文词的细粒度语义信息之间以及它们与词语义之间更深层次的关系进行建模。此外,文中通过在子图结构上构建图读出来进一步挖掘细粒度语义信息与词语义信息之间的组成关系,据此提升模型在未登录词嵌入推断中的精准度。实验结果表明,在面对未登录词占比较大的特定语料上的词配对、词相似任务,以及文本分类、命名实体识别等下游任务时,所提模型都取得了更好的性能。
-
关键词
未登录词嵌入学习
中文细粒度语义信息
细粒度知识图谱
图卷积网络学习
-
Keywords
Out-of-vocabulary word embedding learning
Chinese fine-grained semantic information
Fine-grained knowledge graph
Graph convolution network learning
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
