-
题名基于细粒度多层次特征分离的轴承寿命预测
- 1
-
-
作者
李春龙
刘扬
辛鑫
秦红燕
吕明康
卫冲
赵振
-
机构
青岛科技大学信息科学技术学院
山东鲁控电力设备有限公司
中国船级社
-
出处
《机电工程》
北大核心
2025年第8期1479-1489,共11页
-
基金
国家自然科学基金资助项目(62201314)。
-
文摘
在多源域迁移学习中强行共享源域和目标域私有特征会引起噪声干扰从而降低预测性能,在特征对齐过程中未考虑统筹全局和局部的特征,会造成跨工况轴承剩余使用寿命(RUL)预测精确性缺乏的问题。为此,提出了一种基于细粒度多层次特征分离(FGMLFS)的多工况滚动轴承RUL预测方法。首先,设计了特定领域学习模块用于学习每个域的特定表示,去除了领域特定的私有特征,保留了域间可迁移的通用特征,并利用独立成分分析和相对熵有效分离域不变和域特定表示,确保了域间特征的一致性;然后,构建了多层次细粒度对齐模块,依据最大均值差异(MMD)和局部加权MMD策略,对域级和类别级特征进行了对齐,减少了源域与目标域的分布差异;最后,引入了辅助分类器模块,设计了动态加权最小类混淆损失优化特征空间对齐质量,增强了模型的预测准确性,采用滚动轴承PHM2012数据集对提出的FGMLFS方法进行了实验验证。研究结果表明:FGMLFS方法与改进的残差卷积域自适应网络(ERCDAN)相比,预测得分提升了0.14,且平均绝对误差和均方根误差降低了0.11和0.12。该结果验证了FGMLFS方法在轴承寿命预测中的有效性。
-
关键词
剩余使用寿命预测
特征分离
子域自适应
迁移学习
最大均值差异
相对熵
改进的残差卷积域自适应网络
细粒度多层次特征分离
-
Keywords
remaining useful life(RUL)
feature separation
subdomain adaptation
transfer learning
maximum mean discrepancy(MMD)
relative entropy
enhanced residual convolutional domain adaptation network(ERCDAN)
fine-grained multi-level feature separation(FGMLFS)
-
分类号
TH133.3
[机械工程—机械制造及自动化]
-
-
题名一种基于对偶学习的场景分割模型
- 2
-
-
作者
刘思纯
王小平
裴喜龙
罗航宇
-
机构
同济大学电子与信息工程学院
-
出处
《计算机科学》
CSCD
北大核心
2024年第8期133-142,共10页
-
基金
国家重点研发计划(2022YFB4300504-4)。
-
文摘
城市场景分割等复杂任务存在特征图空间信息利用率低下、分割边界不够精准以及网络参数量过大的问题。为解决这些问题,提出了一种基于对偶学习的场景分割模型DualSeg。首先,采用深度可分离卷积使模型参数量显著减少;其次,融合空洞金字塔池化与双重注意力机制模块获取准确的上下文信息;最后,利用对偶学习构建闭环反馈网络,通过对偶关系约束映射空间,同时训练“图像场景分割”和“对偶图像重建”两个任务,辅助场景分割模型的训练,帮助模型更好地感知类别边界、提高识别能力。实验结果表明,在自然场景分割数据集PASCAL VOC中,基于Xception骨架网络的DualSeg模型的mIoU和全局准确率分别达到81.3%和95.1%,在CityScapes数据集上mIoU达到77.4%,并且模型参数量减少18.45%,验证了模型的有效性。后续将探索更有效的注意力机制,进一步提高分割精度。
-
关键词
场景分割
图像重建
对偶学习
注意力机制
深度可分离卷积
多层次特征融合
-
Keywords
Scene segmentation
Image reconstruction
Dual learning
Attention mechanism
Depthwise separable convolution
Multi-level feature fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
