-
公开(公告)号：CN119443153A
公开(公告)日：2025-02-14
申请号：CN202510041342.6
申请日：2025-01-10
Applicant: 苏州大学
IPC: G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/09
Abstract: 本发明涉及机械故障诊断技术领域，尤其涉及一种基于脉冲神经网络的机械故障诊断方法及系统。本发明构建故障诊断网络，所述故障诊断网络包括：改进门控注意力编码模块与脉冲残差网络；其中，通过将门控注意力编码模块的普通卷积层替换为一维稀疏卷积层，将二维批归一化层替换为一维批归一化层，得到改进门控注意力编码模块；将故障诊断网络中的脉冲神经元设为PSN神经元，并在脉冲残差网络中嵌入时间步长收缩层；将当前采样周期的机械振动信号输入故障诊断网络，输出当前采样周期的预测故障类别标签。本发明实现了高效高精度的机械故障智能诊断。
-
公开(公告)号：CN116106008B
公开(公告)日：2024-09-06
申请号：CN202211699746.7
申请日：2022-12-28
Applicant: 苏州大学
IPC: G01M13/04 , G06F18/213 , G06F18/24 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于分类器差异软权自适应网络的故障诊断方法、装置、设备以及计算机可读存储介质，本发明由特征提取器、离群分类器与两个状态分类器三部分构成，特征提取器用于提取源域和目标域不同类别的可迁移特征，两个不同的状态分类器基于提取到的可转移特征进行标签预测；离群分类器对目标域样本进行伪标签学习，从而自动分离共享类和离群类样本；本发明构造了一个样本软权重项，以自适应地测量目标样本属于跨域共享标签空间的概率，设计了一个加权分类器差异损失来获取共享类样本的跨域不变特征，本发明诊断精度高，鲁棒性强，适用于变工况类型差异下的开集迁移故障诊断任务，可广泛应用于机械、电力、化工、航空等领域。
-
公开(公告)号：CN118094201A
公开(公告)日：2024-05-28
申请号：CN202410524561.5
申请日：2024-04-29
Applicant: 苏州大学
IPC: G06F18/213 , G06F18/25
Abstract: 本发明公开了智能运维技术领域的一种自适应多变量故障特征提取与增强方法，方法包括：采集多变量振动信号；根据所述多变量振动信号的采样频率获取初始频率，根据多维拓展后的变分模式提取方法对所述初始频率进行一次更新获得更新后的频率，将所述初始频率和更新后的频率作差以获取一次更新前后频率之差的正负转变点，根据所述正负转变点获取联合特征信息；将所述联合特征信息输入预构建的多变量模式提取模型以提取多变量故障模式；通过多变量故障模式的融合包络谱降低所述多变量故障模式中的带内噪声以突出故障特征频率进行故障特征识别。本发明能够解决多变量信号中故障特征提取困难，大量的带内噪声导致重要故障信息被淹没的技术问题。
-
公开(公告)号：CN114563186B
公开(公告)日：2023-01-06
申请号：CN202210074063.6
申请日：2022-01-21
Applicant: 苏州大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种滚动轴承类不平衡故障诊断方法，包括对少数类故障样本进行变参数时频分析，对多数类正常样本进行单一参数时频分析，得到类平衡的时频特征数据集；利用时频注意力机制网络模型进行特征增强处理，得到时频特征增强数据集；构建故障诊断模型；利用时频特征增强数据集对构建的故障诊断模型进行训练，得到训练好的故障诊断模型；对未知健康状态的轴承振动信号进行单一参数时频分析，利用故障诊断模型得到轴承的健康状态。扩充的数据样本具有较高的一致性和多样性，无需优化时频分析的参数，能够有效滤除时频特征中的噪声，且大大提高轴承类不平衡故障诊断的准确率。
-
公开(公告)号：CN114563186A
公开(公告)日：2022-05-31
申请号：CN202210074063.6
申请日：2022-01-21
Applicant: 苏州大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种滚动轴承类不平衡故障诊断方法，包括对少数类故障样本进行变参数时频分析，对多数类正常样本进行单一参数时频分析，得到类平衡的时频特征数据集；利用时频注意力机制网络模型进行特征增强处理，得到时频特征增强数据集；构建故障诊断模型；利用时频特征增强数据集对构建的故障诊断模型进行训练，得到训练好的故障诊断模型；对未知健康状态的轴承振动信号进行单一参数时频分析，利用故障诊断模型得到轴承的健康状态。扩充的数据样本具有较高的一致性和多样性，无需优化时频分析的参数，能够有效滤除时频特征中的噪声，且大大提高轴承类不平衡故障诊断的准确率。
-
Patent Agency Ranking
公开(公告)号：CN114429152A
公开(公告)日：2022-05-03
申请号：CN202111677762.1
申请日：2021-12-31
Applicant: 苏州大学
Abstract: 本发明公开了一种基于动态指数对抗性自适应的滚动轴承故障诊断方法，包括以下步骤：采集不同工况下轴承运行时的振动数据；将源域特征和混合域样本特征作为输入，对抗训练分类器与域鉴别器并对特征提取器进行优化，计算损失；利用损失构建轴承故障诊断模型的目标函数，寻找最佳参数，直至轴承故障诊断模型完成，在训练过程中利用动态指数调节因子缩小源域样本和目标域样本的边缘分布和条件分布差异；将目标域样本输入轴承故障诊断模型，输出轴承故障诊断结果。本发明能够以精确定量地衡量边缘分布和条件分布在整体数据分布中的比重，从而使得模型可以更有针对性的对不同工况下的数据集进行迁移，实现精确地故障诊断。
-
公开(公告)号：CN116089860B
公开(公告)日：2024-09-20
申请号：CN202310035287.0
申请日：2023-01-10
Applicant: 苏州大学
IPC: G06F18/24 , G06F18/2131 , G06F18/2337 , G06N3/0464 , G06N3/048 , G06N3/084 , G01M13/045 , G01M13/028
Abstract: 本发明涉及深度学习技术领域，尤其是指一种多阶段分布校正引导的设备故障诊断方法、装置及计算机存储介质。本发明所述的设备故障诊断方法，将无标记的查询集和有标记的查询集进行幂变换，使其符合高斯分布，并将经过幂变换的多个查询集特征聚类为多个簇并对每个支持集特征进行分配，利用无标记查询集的高斯统计量来校正带有标记的支持集分布，分布修正可以使支持集分布更接近于查询集的真实分布，通过从校正后的分布中采样来增加更多的特征以扩大训练数据集来训练分类器，可以提高模型在小样本场景下的诊断性能，实现在小样本场景下的智能故障诊断，提高了故障诊断的准确性。
-
公开(公告)号：CN118468724A
公开(公告)日：2024-08-09
申请号：CN202410685948.9
申请日：2024-05-30
Applicant: 苏州大学
IPC: G06F30/27 , G06F30/17 , G06N3/094 , G06N3/045 , G06F18/241 , G06F18/214 , G06F119/04
Abstract: 本发明提供一种差异性对齐指导下域对抗网络机械设备RUL预测方法及系统，涉及机械RUL预测和机器学习技术领域，该方法包括采集来自不同工况、不同故障类型的传感器信号并处理成输入样本；构造特征提取器，域鉴别器和差异提取器；利用源域样本序列对特征提取器和域鉴别器进行预训练；将预训练的特征提取器和域鉴别器移至训练阶段，以进行鉴别源域样本和目标域样本；充分训练本方法至收敛，并利用训练良好的特征提取器和域鉴别器对测试样本进行预测，获得方法的预测性能。本发明可以实现跨工况下域不变特征提取和差异目标域剩余寿命侦测，具有极佳的跨域RUL效果。
-
公开(公告)号：CN116337447B
公开(公告)日：2024-07-19
申请号：CN202211640727.7
申请日：2022-12-19
Applicant: 苏州大学
IPC: G01M13/045 , G01M17/10 , G06F18/213 , G06F18/24 , G06N3/084 , G06N3/0464
Abstract: 本发明涉及一种非平稳工况下轨道车辆轮对轴承故障诊断方法包括根据多种传感器采集的轨道车辆轮对轴承在不同非平稳工况下的多种信号获取样本数据；多通道融合得多传感器信息融合样本并进行自适应加权，生成目标多传感器信息融合数据，特征提取器提取目标多传感器信息融合数据在多传感器视角下的特征信息，存储至相对应的记忆库中；利用原型对比学习进行领域适配学习，获取域适应损失；利用源域数据集中提取的特征信息与半监督学习算法训练域共享类别分类器；利用域适应损失与半监督分类损失通过反向传播与梯度下降算法更新网络参数，获得目标网络；将数据集中没有类别标签的待测试样本数据输入至目标网络中，获取待测试样本数据的故障类别。
-
公开(公告)号：CN118094201B
公开(公告)日：2024-07-02
申请号：CN202410524561.5
申请日：2024-04-29
Applicant: 苏州大学
IPC: G06F18/213 , G06F18/25
Abstract: 本发明公开了智能运维技术领域的一种自适应多变量故障特征提取与增强方法，方法包括：采集多变量振动信号；根据所述多变量振动信号的采样频率获取初始频率，根据多维拓展后的变分模式提取方法对所述初始频率进行一次更新获得更新后的频率，将所述初始频率和更新后的频率作差以获取一次更新前后频率之差的正负转变点，根据所述正负转变点获取联合特征信息；将所述联合特征信息输入预构建的多变量模式提取模型以提取多变量故障模式；通过多变量故障模式的融合包络谱降低所述多变量故障模式中的带内噪声以突出故障特征频率进行故障特征识别。本发明能够解决多变量信号中故障特征提取困难，大量的带内噪声导致重要故障信息被淹没的技术问题。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.021 seconds)
