摘要：滚动轴承作为一种精密的机械元件,已广泛运用于现代工业机械设备中。在轴承运行时,采用合理的方法诊断轴承的故障具有重大的意义。但在实际复杂多变环境下,采集振动信号不仅面临样本量少的问题,还受到噪声干扰、工况变换等因素的影响,导致故障诊断的准确率低。因此,针对噪声干扰和变工况下的小样本滚动轴承故障诊断问题,该文提出了一种基于原型域增强的元学习去噪模型(Meta-DAE)。首先,构造基于时频图的小样本故障样本集,引入深度卷积生成对抗网络并对数据进行预处理,生成相似分布的伪样本集;然后,将故障样本集输入Meta-DAE模型进行自适应特征提取,Meta-DAE模型采用原型域增强策略,使同类别原型点在嵌入空间中凝聚更紧密;同时,构建了具有降噪性能的编码器,设计了基于原型域增强和去噪的目标函数,通过在小样本下进行模型微调,以提高小样本下模型的噪声鲁棒性和分类准确率。噪声及变工况下小样本故障诊断实验结果表明,相比于其他模型,所提模型在-8dB强噪声干扰下,仅用10个样本微调模型,分类准确率提高了35.78~57.25个百分点,具有较强的噪声鲁棒性。

摘要：为了解决带钢小样本数据集在深度学习中出现的模式崩溃、图像模糊和错判等问题,提出一种改进的ACGAN数据增强方法。首先,模型中引入带梯度惩罚项的Wasserstein距离作为损失函数,解决了模式崩溃和训练不稳定问题;其次,生成器网络中改进标签反卷积网络,使标签信息更好地贯穿整个生成网络,并在其末端设计了去噪结构,提高了生成图像质量;接着,判别器网络中引入级联融合思想,增强了网络判别能力;最后,将改进前后的模型在NEU带钢表面缺陷数据集和MNIST数据集上进行对比实验,结果表明:所提模型生成各类样本图像的清晰度、准确性明显提高,并且客观指标FID的平均值在NEU带钢表面缺陷数据集上下降了15.8%,在MNIST数据集下降了73%,为带钢小样本数据集的扩充提供了一种新方法。

摘要：仪表定位精度是保证指针式仪表示数准确识别的前提。复杂工业场景下仪表样本难以采集,小样本情况下,现有指针式仪表定位检测方法存在检测精度低、实时性差的问题。为此,提出了基于元学习的小样本指针式仪表检测方法Sparse-Meta-DETR。并以Meta-DETR为目标检测基线模型,采用元学习训练策略,在元训练阶段构建多个小样本任务训练Sparse-Meta-DETR模型,增强特征相关聚合模块对特征空间中支持集和查询集类别的余弦距离的度量能力,使模型能够在元测试阶段小样本任务中识别图像包含的类别,快速适应新类小样本任务,检测复杂工业场景图像中包含的指针式仪表;引入轻量级主干网络Efficientnet b1作为特征提取器,减少模型的计算复杂度和参数量;设计评分网络对查询特征稀疏采样,构建稀疏化遮罩选取前景特征,引导Transformer编/解码器对前景特征进行处理,进一步减少计算量并提高检测精度。使用Sparse-Meta-DETR模型,20-shot时指针式仪表定位检测精度指标AP^(50)和AP^(75)分别达到了94.2%和87.5%,10-shot时的AP^(50)达到了91.1%;相较于最初的基线模型,改进模型的时间复杂度下降了74.5%。实验结果表明,Sparse-Meta-DETR不仅能够保证样本匮乏时仪表定位的精度,还可以有效地提高仪表定位的实时性,其整体性能优于Meta-RCNN等小样本深度学习算法。

摘要：为解决跨域小样本农业病虫害分类问题中如何增强网络的特征提取能力以及如何将模型泛化到新类别的问题,提出一种多模态的任务有偏元学习分类算法。利用图片的标签文本信息进行多模态学习,增强网络的特征提取能力,通过任务有偏的元学习算法,使模型能够给予困难任务更多的关注,更好将模型泛化到新类的问题。通过在多个数据集上进行测试并与多种先进的方法进行对比实验,结果表明,该模型是植物病虫害识别问题的一种可行方案。

摘要：实际多模态化工过程通常由于产品需求等调整而产生新模态,现有基于深度学习的故障诊断方法存在未充分利用现有模态设计经验、小样本下难以训练模型等局限.针对上述问题,提出一种基于元学习(meta learning,ML)和网络结构搜索(neural architecture search,NAS)的新模态故障诊断方法MetaNAS.首先,利用NAS自动获取现有模态性能最优的网络模型;然后,利用ML从现有模态的NAS过程中学习故障诊断模型的设计经验;最后,当新模态产生时,在已学习设计经验基础上进行梯度更新,即在小样本条件下快速得到新模态故障诊断模型.通过数值系统和田纳西伊斯曼(Tennessee Eastman,TE)化工过程的仿真实验充分验证所提出方法的有效性和可行性.

摘要：传统典型代理模型需要使用大量样本点实现高精度全局预测,对时间和计算资源的消耗很难满足工程和科学计算所需,鉴于优化设计依赖代理模型和优化算法,提出一种小样本条件下实现高效预测的智能布点模型。考虑到优化问题只需构建帕累托前沿附近(局部)的高精度代理模型,通过信赖域思想改进并实现智能布点方法,其采样空间与代理模型会根据预测精度的需求进行更新,提高了代理模型更新效率和预测精度。以小型非晶合金变压器为验证案例,在只有70组样本数据下对比了智能布点代理模型和传统典型正交实验方法,结果表明智能布点代理模型的预测精度相比传统代理模型提高了16%左右,验证了该代理模型在少样本情况下的有效建模和预测精度,并进行了优化设计。

摘要：针对岩土参数小样本下t分布法区间估计较宽将导致工程设计偏于保守的问题,根据描述土体固有变异性的c,?总体开展小样本随机取样勘察模拟,运用Bootstrap法进行数据重构得到区间估计和点估计结果,对比与t分布法所得参数估计的差异。基于充足次数重复抽样构建的参数估计空间,分析与之映射的边坡稳定安全系数离散特征。研究表明:对应于同一置信水平,能充分利用小样本经验分布信息的Bootstrap法可有效收窄c,?均值置信区间,保证率下限值较传统t分布法结果更接近真值;虽然2种方法得到点估计结果的均值和方差相同,即对应的边坡稳定可靠指标相等,但采用Bootstrap法保证率下限值计算的边坡稳定安全系数均值相对较大,离散性更小,且这种改善效果随参数变异水平上升愈加明显;在保证相同可靠度条件下,Bootstrap法能更合理地对小样本统计不确定性导致的边坡安全风险进行补偿。

摘要：针对基于故障数据图像的诊断方法所需训练数据严重不足以及在小样本故障库条件下诊断准确率较低等问题,提出了一种基于深度卷积生成对抗网络(deep convolutional generative adversarial networks,简称DCGAN)的扩充滚动轴承故障小样本库的方法,以丰富故障信息,在小样本故障库条件下提高故障诊断准确率。为了改善传统算法易产生的棋盘格效应,设计上采样卷积(up-sampling convolution,简称USCONV)层,将传统DCGAN算法与双线性插值的上采样及卷积相结合,对故障数据小波变换图像进行训练学习,输出逼真的生成样本。该模型针对多种故障情况,在小样本故障库条件下能准确完善数据集,缓解过拟合等问题,提高了再诊断的准确性。实验结果表明,USCONV层对棋盘格问题有明显改善,小样本库扩充后诊断模型对包含多种故障情况的测试集识别率由91.67%提升至98.96%,证明了该方法的可行性和有效性。

摘要：针对大型产品性能试验的多技术状态、小样本特点,提出了基于环境因子仿真的性能可靠性评估方法。运用仿真技术获得了环境因子的仿真结果;利用环境因子将多技术状态下的试验数据折算为产品设计状态下的性能试验数据,基于折算后的性能试验数据得到了产品性能可靠性估计。最后,通过一个仿真实例说明了折算模型具有稳健性。

摘要：针对小样本非线性时间序列,根据非线性协整的定义,利用基于粒子群优化最小二乘支持向量机的方法,对小样本非线性协整关系检验与非线性误差修正模型建模进行研究,设计了方法的逻辑流程.对舰船维修费指数与物价指数进行实证研究,在协整关系类型判断的基础上,实现了小样本非线性协整关系的检验,建立了预测舰船维修费指数的非线性误差修正模型,并与线性向量自回归模型进行分析比较.研究表明:基于粒子群优化最小二乘支持向量机的小样本非线性协整检验与建模方法,刻画了小样本系统的非线性协整关系,所建立的非线性误差修正模型具有较好的预测效果,能够有效地预测小样本非线性系统.