视频信息
讲座名称:基于云平台的发电设备远程智能诊断研究
报告人:蒋东翔教授
报告单位:清华大学能源与动力工程系
讲座时长:30:46
内容简介:清华大学能源与动力工程系教授蒋东翔发表“基于云平台的发电设备远程智能诊断研究”。利用字典学习算法捕获不同故障信号本质特征,构建故障特征字典;基于构建的故障特征字典,利用信号稀疏表示特性进行识别、分类诊断。该方法具有自适应性的特征提取能力,避免依靠先验知识的特征提取与选择;分类器结构简单,无需复杂的结构参数寻优。实验结果显示该方法在旋转机械多工况条件下具有较高的分类精度和较强鲁棒性。利用Grad-CAM对训练的CNN模型进行解释:多源信号的空间特征有助于提升诊断准确率和模型泛化能力。基于迁移学习策略,将有标签的辅助域故障样本与无标签的目标域样本输入深度神经网络中,通过在损失函数中加入联合分布适配正则项进行网络参数迁移,使得辅助集与目标集样本特征分布趋于一致,提高诊断模型部署的灵活性。
报告人:蒋东翔教授
报告单位:清华大学能源与动力工程系
讲座时长:30:46
内容简介:清华大学能源与动力工程系教授蒋东翔发表“基于云平台的发电设备远程智能诊断研究”。利用字典学习算法捕获不同故障信号本质特征,构建故障特征字典;基于构建的故障特征字典,利用信号稀疏表示特性进行识别、分类诊断。该方法具有自适应性的特征提取能力,避免依靠先验知识的特征提取与选择;分类器结构简单,无需复杂的结构参数寻优。实验结果显示该方法在旋转机械多工况条件下具有较高的分类精度和较强鲁棒性。利用Grad-CAM对训练的CNN模型进行解释:多源信号的空间特征有助于提升诊断准确率和模型泛化能力。基于迁移学习策略,将有标签的辅助域故障样本与无标签的目标域样本输入深度神经网络中,通过在损失函数中加入联合分布适配正则项进行网络参数迁移,使得辅助集与目标集样本特征分布趋于一致,提高诊断模型部署的灵活性。