-
题名基于改进SAGGAN模型的齿轮故障分类方法研究
- 1
-
-
作者
刘洋
但斌斌
易灿灿
严旭果
薛家成
-
机构
武汉科技大学冶金装备及其控制教育部重点实验室
武汉科技大学机械传动与制造工程湖北省重点实验室
武汉科技大学精密制造研究院
宝钢股份中央研究院(武钢有限技术中心)
-
出处
《机电工程》
CAS
北大核心
2024年第12期2185-2194,共10页
-
基金
国家自然科学基金资助项目(52205537)。
-
文摘
针对齿轮故障样本获取困难,导致深度学习驱动故障分类模型的可靠性和准确性不足这一问题,提出了一种基于改进自注意力门单元生成对抗网络(SAGGAN)的半监督齿轮故障分类模型。首先,为增强改进SAGGAN模型的特征表示能力,提升齿轮故障的半监督分类效果,在自注意力生成对抗网络(SAGAN)的基础上,引入了门控通道转换模块(GCT)、改进自注意力门控模块(SAG)和预训练的Inception V3分支;然后,使用齿轮故障实验装置采集齿轮断齿、磨损、周节误差和正常四种状态下的振动信号,并将数据划分为训练集、验证集与测试集;最后,将计算结果与现有的半监督分类方法:TripleGAN、Bad-GAN、Reg-GAN、SF-GAN进行了对比,并对改进模块进行了消融实验研究。研究结果表明:在标签样本为40、60、80、100时,改进SAGGAN模型的整体分类准确率分别为89%、90%、92%、94.25%,远高于其他四种方法,特别在只有少量标签样本情况下的优越性更为明显。以上结果揭示了改进的SAGGAN模型在齿轮故障分类领域中的实用性和优越性。
-
关键词
齿轮故障
模式分类
自注意力门单元生成对抗网络
半监督学习
自注意力生成对抗网络
门控通道转换模块
自注意力门控模块
-
Keywords
gear fault
pattern classification
self-attention and gate unit generated adversarial network(SAGGAN)
semi-supervised learning
self-attention generative adversarial network(SAGAN)
gated channel transformation(GCT)
self-attention gate modules(SAG)
-
分类号
TH132.41
[机械工程—机械制造及自动化]
-
-
题名多分支特征映射的遥感图像目标检测算法
被引量：5
- 2
-
-
作者
闵锋
况永刚
郝琳琳
彭伟明
-
机构
武汉工程大学计算机科学与工程学院智能机器人湖北省重点实验室
-
出处
《计算机科学与探索》
CSCD
北大核心
2024年第6期1543-1555,共13页
-
基金
国家自然科学基金(62171328)
武汉工程大学研究生教育创新基金项目(CX2022321)。
-
文摘
由于遥感图像具有背景复杂、目标较小且密集、尺度连续变化大等特点,通用目标检测器难以较好地适应,导致检测效果不佳。针对以上问题,基于YOLOv5s模型,提出一种多分支特征映射的遥感图像目标检测算法。首先,利用结构重参数化技术设计一种结合门控通道转换的RepVGG模块,采用其串联结构替换原主干网络的C3模块,聚合全局上下文信息,增强特征表达和特征提取能力;其次,使用自适应指数加权池化方法以及逆过程重构特征融合网络的采样方式,最大化地保留特征信息,改善较小目标的检测效果;最后,引入EIoU和Focal Loss组合作为模型的损失函数,优化预测框的回归速率以及难易样本的损失权重分配,进一步提高定位精度。在DIOR和NWPU VHR-10数据集上的实验结果表明,提出算法的平均精度均值分别达到92.2%、92.5%,较YOLOv5s分别提高了3.5个百分点、5.6个百分点,达到了更好的检测效果,同时实时性也满足实际场景下的遥感图像目标检测。
-
关键词
遥感图像
结构重参数化
门控通道转换
采样方式
损失权重分配
-
Keywords
remote sensing images
structural reparameterization
gated channel transformation
sampling method
loss weight allocation
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
