SMTNet：基于子-主迁移网络的分层空化强度识别
声音
2023-07-13 v4 音频与语音处理
摘要
随着智能制造的快速发展，数据驱动的机械健康管理日益受到关注。在一些类别比其他类别更难区分、且类别可能按层次结构组织的情况下，当前的深度学习方法表现不佳。本研究提出一种使用子-主迁移网络（Sub-Main Transfer Network）的新型分层空化强度识别框架，称为 SMTNet，用于对阀门空化的声学信号进行分类。SMTNet 模型沿对应于目标空化状态层次结构的网络从粗到细输出多个预测。首先，提出基于滑动窗口与快速傅里叶变换（Swin-FFT）的数据增强方法以解决少样本问题。其次，提出一维双分层残差块（1-D DHRB）以捕获频域阀门声学信号的敏感特征。第三，提出分层多标签树以辅助将目标空化状态的语义结构嵌入 SMTNet。第四，提出经验滤波机制以充分学习空化检测模型的先验知识。最后，SMTNet 在两个无噪声空化数据集（数据集 1 和数据集 2）以及由 SAMSON AG（法兰克福）提供的一个含真实噪声的空化数据集（数据集 3）上进行了评估。SMTNet 对空化强度识别的预测准确率分别高达 95.32%、97.16% 和 100%。同时，SMTNet 对空化检测的预测准确率分别高达 97.02%、97.64% 和 100%。此外，SMTNet 还针对不同样本频率进行了测试，并取得了最高达手机样本频率的优异结果。
引用
@article{arxiv.2203.01429,
title = {SMTNet: Hierarchical cavitation intensity recognition based on sub-main transfer network},
author = {Yu Sha and Johannes Faber and Shuiping Gou and Bo Liu and Wei Li and Stefan Schramm and Horst Stoecker and Thomas Steckenreiter and Domagoj Vnucec and Nadine Wetzstein and Andreas Widl and Kai Zhou},
journal= {arXiv preprint arXiv:2203.01429},
year = {2023}
}
备注
we need update this paper