Professional Documents
Culture Documents
Chẩn Đoán Hư Hỏng Bánh Răng Không Cần Tiền Xử Lý Bằng Cách Sử Dụng Bộ Dữ Liệu Nhỏ Với Học Chuyển Giao Dựa Trên Mạng CNN
Chẩn Đoán Hư Hỏng Bánh Răng Không Cần Tiền Xử Lý Bằng Cách Sử Dụng Bộ Dữ Liệu Nhỏ Với Học Chuyển Giao Dựa Trên Mạng CNN
bằng cách sử dụng bộ dữ liệu nhỏ với học chuyển giao dựa trên mạng CNN
Abstract
Phương pháp cổ điển: trích xuất đặc trưng sau đó phân loại (FFT, Wavelet,…)
Nhược điểm: cần kiến thức chuyên môn của con người
CNN:
+ mạng nơ-ron sâu được đào tạo trước để trích xuất các tính năng tự động từ input
+ fully connected: phân loại các tính năng cần được huấn luyện bằng cách sử dụng dữ liệu thí
nghiệm hư hỏng bánh răng
Architecture:
+ ReLU layer: tăng cường các đặc trưng qua biến đổi phi tuyến
+ fully connected + softmax layer: phân loại input thành các nhãn đã biết
Convolution layer:
Sử dụng bộ lọc là ma trận đường chéo, nhân với ma trận đầu để tạo ma trận đặc trưng
Mỗi bộ thu được một phần đặc trưng theo góc nhìn riêng từ hình ảnh đầu vào
ReLU layer (rectified linear units):
làm giá trị đặc trưng ít bị ảnh hưởng bởi việc thay đổi vị trí
giảm bớt tham số, kích thước ma trận -> giảm thời gian tính toán
Transfer learning
hệ thống cơ khí có dữ liệu huấn luyện luôn không đủ bằng các tác vụ khác như phân loại ảnh tự
nhiên.
hiệu suất của CNN quy mô lớn có tiềm năng vượt qua các phương pháp khác, nhưng đồng thời tỉ
lệ với kích thước của dữ liệu đào tạo
Transfer learning có hiệu suất tương đương với dữ liệu đào tạo nhỏ hơn
chuyển (sao chép) n lớp đầu tiên của mạng được đào tạo tốt sang mạng đích của lớp m> n
(m-n) lớp cuối cùng của mạng đích vẫn chưa được đào tạo
Architecture
Hệ thống cơ khí:
Hộp số 2 cấp
Mô-men xoắn được cung cấp bởi một phanh từ tính có thể được điều chỉnh
Trục 2:
Hư hỏng:
tốt
mất răng
tróc rỗ
Lấy mẫu:
1. Transfer learning
2. Local CNN
+ 2 tầng conv
+ 1 tầng fully connected