基于集成深度学习的振动状态监测
机器学习
2021-10-14 v1 人工智能
信息论
math.IT
摘要
基于振动的技术是最常见的状态监测方法之一。随着计算机的发展，这些方法也得到了改进，近来这些方法与深度学习方法相结合引起了研究人员的关注。这主要归因于深度学习方法的特性，其可通过将特征提取、特征选择与分类步骤整合为单一自动化步骤来简化监测流程。然而，这是以设计深度学习者架构、调整其超参数方面的挑战为代价的。此外，其有时泛化能力较低。作为对这些问题的补救，本研究提出了一种基于集成深度学习方法的框架。该框架首先创建一个卷积神经网络(CNN)池。为给CNN引入多样性，将经过不同函数处理的频率响应作为输入馈送给它们。下一步，基于信息准则选择合适的CNN用于融合。随后通过改进的Dempster-Shafer理论进行融合。所提框架应用于从具有复杂几何形状的等轴晶多晶镍合金一级涡轮叶片收集的真实测试数据。
引用
@article{arxiv.2110.06601,
title = {Vibration-Based Condition Monitoring By Ensemble Deep Learning},
author = {Vahid Yaghoubi and Liangliang Cheng and Wim Van Paepegem and Mathias Keremans},
journal= {arXiv preprint arXiv:2110.06601},
year = {2021}
}