【技术实现步骤摘要】
本专利技术涉及因果结构，具体是蕴含潜在变量的数据集中因果结构学习方法。
技术介绍
1、滚动轴承作为旋转机械的关键部件，其在长期的使用过程中会出现疲劳剥落、磨损、腐蚀和断裂等故障，这些故障严重影响着整个旋转机械的性能、稳定性和使用寿命。因此，采用对应的故障诊断技术及时的诊断发现问题，并采取补救措施，能够有效的避免危险情况的发生，对保证工业设备的安全运行至关重要。
2、在智能诊断领域中，深度学习拥有强大的特征提取能力，可以通过从数据中学习相关知识来避免人工特征提取的繁琐过程和不确定性。数据驱动的深度学习建立在独立同分布假设下，即在训练样本和测试样本属于同一分布时，模型才能发挥良好的性能。然而，在现实应用中，机械设备工作工况复杂多变，不同工况下的样本分布可能不同，从而导致深度学习模型的性能显著降低。
3、数据驱动的故障诊断模型泛化能力不足的原因是深度学习模型从轴承故障数据中提取的特征蕴含故障数据与故障标签的总关联。其中包含最根本的因果关系，潜在的混淆关系，甚至是由于对撞结构引起的虚假相关性。当故障测试数据和训练数据处于...
【技术保护点】
1.蕴含潜在变量的数据集中因果结构学习方法，其特征在于，包括以下学习步骤：
2.根据权利要求1所述的蕴含潜在变量的数据集中因果结构学习方法，其特征在于，部分祖先图PAG的构建过程如下：
3.根据权利要求2所述的蕴含潜在变量的数据集中因果结构学习方法，其特征在于，集合构造条件具体表示如下：
4.根据权利要求3所述的蕴含潜在变量的数据集中因果结构学习方法，其特征在于，使用因果方向准则确定部分祖先图PAG中各个节点之间的因果方向的具体步骤如下：
5.根据权利要求4所述的蕴含潜在变量的数据集中因果结构学习方法，其特征在于，获取预...
【技术特征摘要】
1.蕴含潜在变量的数据集中因果结构学习方法，其特征在于，包括以下学习步骤：
2.根据权利要求1所述的蕴含潜在变量的数据集中因果结构学习方法，其特征在于，部分祖先图pag的构建过程如下：
3.根据权利要求2所述的蕴含潜在变量的数据集中因果结构学习方法，其特征在于，集合构造条件具...
【专利技术属性】
技术研发人员：丁煦，陈俊，徐娟，凌琳，翟华，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。