×
迭戈·卡布雷拉;费尔南多·桑乔;玛丽埃拉·塞拉达;雷内·桑切斯-维尼西奥;李川

深度卷积神经网络知识提取应用于循环平稳时间序列分类。 （英语） Zbl 1458.68193号

信息科学。 524, 1-14 (2020).
摘要：从原始时间序列建模复杂流程增加了构建能够管理此类数据结构的深度学习（DL）体系结构的必要性。然而，随着DL模型的深入，需要更大、更多样的数据集，知识提取将变得更加困难。为了避免这些问题，本文提出了一种基于两个主要步骤的方法，第一步是增加用于训练的时间序列数据集的大小和多样性，第二步是从获得的模型中检索知识。该方法与文献中报告的其他方法进行了比较，并在基于状态的维护问题的两种配置设置下进行了测试：轴承的故障诊断和螺旋齿轮箱的故障严重性评估，相比之下，不仅获得了性能改进，而且还可以检索有关信号如何分类的知识。

引用于1文件

理学硕士：

68T07型 人工神经网络与深度学习
62H30型 分类和区分；聚类分析（统计方面）
62M10个 统计学中的时间序列、自相关、回归等（GARCH）
62米45 神经网络及从随机过程推断的相关方法

关键词：

深度学习;卷积神经网络;循环静态时间序列分析;知识提取;故障诊断

软件：

github
PDF格式BibTeX公司 XML格式引用
\textit{D.Cabrera}等人，《信息科学》。524，1-14（2020；Zbl 1458.68193）
全文： 内政部 链接

参考文献：

[1] 安东尼，J。；Randall，R.，《光谱峰度：旋转机械振动监测和诊断的应用》，机械。系统。信号处理。，20, 2, 308-331 (2006)
[2] Arfken，G.B。；韦伯，H.J.，《物理学家的数学方法》，第6版（2005），学术出版社·Zbl 1066.00001号
[3] 巴格纳尔，A。；Lines，J.公司。；Hills，J。；Bostrom，A.，《COTE的时间序列分类：基于转换的信号群集合》，IEEE Trans。知识。数据工程，27，9，2522-2535（2015）
[4] Braun，S。；Seth，B.，《重复机制特征分析》，J.Sound Vib。，70, 4, 513-526 (1980)
[5] D.Cabrera，Cnn1d，2018年(https://github.com/diegoroman17/cnn1d).
[6] Cabrera，D。；桑乔，F。；李，C。；塞拉达，M。；桑切斯，R.-V。；帕切科，F。；de Oliveira，J.V.，时间序列的自动特征提取应用于螺旋齿轮箱在静止和非静止速度运行时的故障严重性评估，应用。软计算。，58, 53-64 (2017)
[7] Cabrera，D。；桑乔，F。；桑切斯，R.-V。；苏里塔，G。；塞拉达，M。；李，C。；Vásquez，R.E.，基于随机森林和小波包分解的直齿轮箱故障诊断，Front。机械。工程师，10，3，277-286（2015）
[8] 塞拉达，M。；桑切斯，R.-V。；李，C。；帕切科，F。；Cabrera，D。；de Oliveira，J.V。；Vásquez，R.E.，滚动轴承数据驱动故障严重性评估综述，机械。系统。信号处理。，99, 169-196 (2018)
[9] 塞拉达，M。；苏里塔，G。；Cabrera，D。；桑切斯，R.-V。；Artés，医学硕士。；李，C.，基于遗传算法和随机森林的直齿轮故障诊断，机械。系统。信号处理。，70-71, 87-103 (2016)
[10] Chinniah，Y.，《与机械运动部件有关的严重和致命事故的分析和预防》，Saf。科学。，75, 163-173 (2015)
[11] Fukushima，K.，Neocognitron：不受位置变化影响的模式识别机制的自组织神经网络模型，Biol。赛博。，36, 4, 193-202 (1980) ·Zbl 0419.92009号
[12] Gröchenig，K.，《时频表示的不确定性原则》，《Gabor分析进展》，11-30（2003），Birkhäuser Boston·Zbl 1039.42004号
[13] Hills，J。；Lines，J。；Baranauskas，E。；Mapp，J。；Bagnall，A.，通过形状变换对时间序列进行分类，Data Min.Knowl。发现。，28, 4, 851-881 (2014) ·兹比尔1298.62098
[14] 因斯，T。；Kiranyaz，S。；埃伦，L。；Askar，M。；Gabbouj，M.，用一维卷积神经网络实时检测电机故障，IEEE Trans。Ind.Electron公司。，63, 11, 7067-7075 (2016)
[15] 卡萨波夫，N.，《不断演变的连接主义系统》（2007），施普林格伦敦·Zbl 1140.68434号
[16] 施普林格生物/神经信息学手册，（卡萨波夫，N.（2014），施普林格-柏林-海德堡）·Zbl 1304.92001号
[17] Lecun，Y。；博图，L。；Y.本吉奥。；Haffner，P.，《基于梯度的学习应用于文档识别》，Proc。IEEE，86，11，2278-2324（1998）
[18] 雷，Y。；D.孔。；林，J。；Zuo，M.J.，使用新诊断参数对行星齿轮箱进行故障检测，Meas。科学。技术。，23, 5, 55605 (2012)
[19] 李，C。；Cabrera，D。；de Oliveira，J.V。；桑切斯，R.-V。；塞拉达，M。；Zurita，G.，使用多尺度聚集灰色信息图提取旋转机械诊断的重复瞬变，Mech。系统。信号处理。，76-77, 157-173 (2016)
[20] 李，C。；Ledo，L。；德尔加多，M。；塞拉达，M。；帕切科，F。；Cabrera，D。；桑切斯，R.-V。；de Oliveira，J.V.，概率模糊系统中后续参数估计的贝叶斯方法及其在轴承故障分类中的应用，Knowl。基于系统。，129, 39-60 (2017)
[21] 李，C。；桑切斯，R.-V。；苏里塔，G。；塞拉达，M。；Cabrera，D。；Vásquez，R.E.，基于声音和振动信号深层随机森林融合的齿轮箱故障诊断，机械。系统。信号处理。，76-77, 283-293 (2016)
[22] Linden，D。；Abramson，N.，抽样定理的推广，Inform。控制，3，1，26-31（1960）·Zbl 0214.46703号
[23] 蒙泰罗，R.P。；塞拉达，M。；Cabrera，D.R。；S.ánchez，R.V。；Bastos-Filho，C.J.A.，《使用基于支持向量机的决策阶段改进变速箱故障诊断》，计算。智力。神经科学。，2019, 1-13 (2019)
[24] 萨尔瓦多，S。；Chan，P.，《在线性时空中实现精确的动态时间扭曲》，《智能》。数据分析。，11, 5, 561-580 (2007)
[25] Schliebs，S。；Kasabov，N.，《进化尖峰神经网络——调查》，《进化》。系统。，4, 2, 87-98 (2013)
[26] Schäfer，P.，BOSS涉及噪声存在下的时间序列分类，Data Min.Knowl。发现。，29, 6, 1505-1530 (2014) ·Zbl 1405.68305号
[27] 索尔特，S。；Kasabov，N.，从具有秩序种群编码的进化尖峰神经网络中提取知识，国际神经系统杂志。，20, 6, 437-445 (2010)
[28] C.Sun、A.Shrivastava、S.Singh、A.Gupta，《重新审视深度学习时代数据的不合理有效性》（2017年）。
[29] Tan，C.K。；欧文，P。；Mba，D.，《正齿轮声发射、振动和光谱油分析诊断和预测能力的对比实验研究》，机械。系统。信号处理。，21, 1, 208-233 (2007)
[30] Wang，L.-H。；赵晓平。；吴建新。；谢，Y.-Y。；Zhang，Y.-H，基于短时傅立叶变换和卷积神经网络的电机故障诊断，中国。J.机械。工程师，30，6，1357-1368（2017）
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。