167.
气密封螺纹连接(PTC)上扣质量的智能诊断对于确保油管在高温、高压、酸性气体条件下的稳固性和密封性至关重要. 准确的诊断依赖于分析不同工况下的PTC曲线以反映上扣质量, 但在实际工业检测中获取大量有效数据面临挑战. 本文提出了一种端到端分类模型, 它结合了异步优化的二维深度卷积生成对抗网络(AoT-DCGAN)和用于PTC曲线诊断的二维卷积神经网络(P-CNN), 旨在提高小样本下的分类性能. 本文提出的方法首先利用AoT-DCGAN来识别真实样本的分布模式, 并生成合成样本. 随后利用P-CNN模型在扩增的数据集上进行训练, 实现PTC曲线的智能诊断. 同时, 本文使用了一种新颖的权重优化策略, 即异步优化(AO), 用来缓解生成器优化阶段的梯度消失问题. 本文提出的方法基于不同数据扩增比率下的召回率、特异性、
F1分数、精确度和混淆矩阵进行了性能评估, 结果表明, 随着数据集规模的扩增, 模型的分类能力也在增强, 在数据集规模达到1200张时分类效果最佳. 此外, 在相同的训练集中, P-CNN模型的表现优于传统的机器学习和深度学习模型, 在AC、ATI和NDT曲线上的最佳分类准确率分别达到了95.9%、95.5%和96.7%. 最后, 研究证实在DCGAN的训练过程中使用异步优化会使损失函数更稳定地下降.… …
相似文献