視頻信息
講座名稱：基于云平臺的發(fā)電設(shè)備遠(yuǎn)程智能診斷研究
報(bào)告人：蔣東翔教授
報(bào)告單位：清華大學(xué)能源與動力工程系
講座時(shí)長：30:46
內(nèi)容簡介:清華大學(xué)能源與動力工程系教授蔣東翔發(fā)表“基于云平臺的發(fā)電設(shè)備遠(yuǎn)程智能診斷研究”。利用字典學(xué)習(xí)算法捕獲不同故障信號本質(zhì)特征，構(gòu)建故障特征字典；基于構(gòu)建的故障特征字典，利用信號稀疏表示特性進(jìn)行識別、分類診斷。該方法具有自適應(yīng)性的特征提取能力，避免依靠先驗(yàn)知識的特征提取與選擇；分類器結(jié)構(gòu)簡單，無需復(fù)雜的結(jié)構(gòu)參數(shù)尋優(yōu)。實(shí)驗(yàn)結(jié)果顯示該方法在旋轉(zhuǎn)機(jī)械多工況條件下具有較高的分類精度和較強(qiáng)魯棒性。利用Grad-CAM對訓(xùn)練的CNN模型進(jìn)行解釋：多源信號的空間特征有助于提升診斷準(zhǔn)確率和模型泛化能力?；谶w移學(xué)習(xí)策略，將有標(biāo)簽的輔助域故障樣本與無標(biāo)簽的目標(biāo)域樣本輸入深度神經(jīng)網(wǎng)絡(luò)中，通過在損失函數(shù)中加入聯(lián)合分布適配正則項(xiàng)進(jìn)行網(wǎng)絡(luò)參數(shù)遷移，使得輔助集與目標(biāo)集樣本特征分布趨于一致，提高診斷模型部署的靈活性。
報(bào)告人：蔣東翔教授
報(bào)告單位：清華大學(xué)能源與動力工程系
講座時(shí)長：30:46
內(nèi)容簡介:清華大學(xué)能源與動力工程系教授蔣東翔發(fā)表“基于云平臺的發(fā)電設(shè)備遠(yuǎn)程智能診斷研究”。利用字典學(xué)習(xí)算法捕獲不同故障信號本質(zhì)特征，構(gòu)建故障特征字典；基于構(gòu)建的故障特征字典，利用信號稀疏表示特性進(jìn)行識別、分類診斷。該方法具有自適應(yīng)性的特征提取能力，避免依靠先驗(yàn)知識的特征提取與選擇；分類器結(jié)構(gòu)簡單，無需復(fù)雜的結(jié)構(gòu)參數(shù)尋優(yōu)。實(shí)驗(yàn)結(jié)果顯示該方法在旋轉(zhuǎn)機(jī)械多工況條件下具有較高的分類精度和較強(qiáng)魯棒性。利用Grad-CAM對訓(xùn)練的CNN模型進(jìn)行解釋：多源信號的空間特征有助于提升診斷準(zhǔn)確率和模型泛化能力?；谶w移學(xué)習(xí)策略，將有標(biāo)簽的輔助域故障樣本與無標(biāo)簽的目標(biāo)域樣本輸入深度神經(jīng)網(wǎng)絡(luò)中，通過在損失函數(shù)中加入聯(lián)合分布適配正則項(xiàng)進(jìn)行網(wǎng)絡(luò)參數(shù)遷移，使得輔助集與目標(biāo)集樣本特征分布趨于一致，提高診斷模型部署的靈活性。
