-
公开(公告)号：CN116465630A
公开(公告)日：2023-07-21
申请号：CN202310121756.0
申请日：2023-02-16
Applicant: 苏州大学
IPC: G01M13/045 , G06F18/241 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/096
Abstract: 本发明涉及一种基于元迁移学习的轴承小样本故障诊断方法和系统，方法包括：采集不同工况下的轴承振动信号；对轴承振动信号进行快速傅里叶变换，并将变换后的轴承振动信号转换为二维特征图片集，二维特征图片集包括第一样本和第二样本；通过第一样本训练深度学习卷积网络，并保留训练后网络的特征提取器，同时剔除训练后网络的第一分类器，其中，所述第一分类器用于第一样本的分类；基于所述特征提取器和第二分类器构建模型，通过元迁移学习对模型中当前故障诊断任务的神经元参数进行优化，使特征提取器自适应其他所有故障诊断任务，其中,所述当前故障诊断任务为基于所述第二样本的故障诊断任务。本发明可以出色地解决小样本故障诊断问题。
-
公开(公告)号：CN115773883A
公开(公告)日：2023-03-10
申请号：CN202211405383.1
申请日：2022-11-10
Applicant: 苏州大学
IPC: G01M13/045 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/082
Abstract: 本发明实施例提供了一种双生成器协同域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将源域样本图片和目标域样本图片输入模型进行训练，获得两个不同的特征生成器；将特征生成器两个生成特征，融合成新的特征；更新两个特征生成器、分类器和鉴别器的参数；将目标域数据集输入训练好模型，实现轴承故障诊断。本发明轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
公开(公告)号：CN118467995A
公开(公告)日：2024-08-09
申请号：CN202410373237.8
申请日：2024-03-29
Applicant: 苏州大学
IPC: G06F18/213 , G01M13/021 , G01M13/028 , G01M13/045 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于时变卷积核的机械关键部件故障特征增强方法及系统，涉及机械设备信号处理技术领域，该方法包括基于广义解调变换将变化的时频曲线解调至固定频率处，通过引入角度参数，参数化广义解调因子；将参数化的广义解调因子嵌入CNN网络中，设计时变卷积层，实现对角度参数的自适应学习更新；使用设计好的时变卷积层代替CNN网络中的第一层卷积层，构建神经网络故障诊断模型，利用构建好的神经网络故障诊断模型对采集到的变转速信号进行处理，增强转速相关故障特征。本发明方法无需依赖先验知识，可实现故障类型的有效、准确分类。
-
公开(公告)号：CN115659224A
公开(公告)日：2023-01-31
申请号：CN202211406175.3
申请日：2022-11-10
Applicant: 苏州大学
IPC: G06F18/24 , G06F18/214 , G06F18/15 , G06N3/047
Abstract: 本发明实施例提供了一种概率引导的域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练；构建第一阶段目标函数，实现鉴别器和特征生成器参数的更新；构建第二阶段目标函数，实现分类器参数的更新，神经网络模型训练完成；将目标域数据集输入训练好的神经网络模型，实现轴承故障诊断。本发明方法解决了轴承故障诊断网络特征分类能力不足的问题，轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
公开(公告)号：CN116108346B
公开(公告)日：2024-11-22
申请号：CN202310126044.8
申请日：2023-02-17
Applicant: 苏州大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于生成特征重放的轴承增量故障诊断终身学习方法，包括：将轴承状态数据集划分为多个不同诊断阶段；学习初始阶段的灰度图片样本，训练第一特征提取器和第一分类器；使用第一特征提取器提取的特征，利用对抗生成网络交替训练，得到第一特征生成器；构建原始故障诊断模型，设置其全连接层神经元数量为初始阶段故障类型数量；在增量学习阶段，利用n‑1阶段的原始故障诊断模型，训练更新n阶段的故障诊断模型，利用特征蒸馏损失函数缩小第n特征提取器与第n‑1特征提取器提取的特征的差异，利用重放对齐损失约束第n特征生成器与第n‑1特征生成器生成的特征相似，更新全连接层神经元数量为初始阶段至第n阶段故障类型数量总和，得到最终故障诊断模型。
-
Patent Agency Ranking
公开(公告)号：CN118260631A
公开(公告)日：2024-06-28
申请号：CN202410350184.8
申请日：2024-03-26
Applicant: 苏州大学
IPC: G06F18/24 , G01M13/045 , G06F18/241 , G06F18/2415 , G06F18/10 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/096
Abstract: 本发明提供一种故障轴承中故障类型监测方法和系统，涉及轴承故障诊断技术领域，该方法包括采集各种故障类型的轴承振动信号，并构建故障诊断数据集，将不同阶段的故障任务划分初始任务和增量任务，并确定初始任务和增量任务的故障类别数；构建初始故障诊断模型；基于初始故障诊断模型，对增量任务进行训练，包括模型自适应阶段训练和模型融合阶段训练，通过蒸馏损失将新模型和旧模型进行整合，得到整合后的故障诊断模型；利用整合后的故障诊断模型对待检测的故障轴承振动信号进行故障诊断，得到待检测的故障轴承振动信号的故障类型；与传统的深度学习方法相比，本发明能缓解灾难性遗忘问题，更符合工业应用的实际场景。
-
公开(公告)号：CN118133118A
公开(公告)日：2024-06-04
申请号：CN202410255566.2
申请日：2024-03-06
Applicant: 苏州大学
IPC: G06F18/241 , G06F18/2415 , G06F18/2131 , G06F18/10 , G06N3/096 , G01M13/045
Abstract: 本发明涉及一种轴承故障类型检测方法和系统，方法包括：采集各种故障类型的轴承振动信号并构建故障诊断数据集，并划分为初始任务和增量任务，并确定初始任务和增量任务的轴承故障类别数；利用ResNet‑18网络根据初始任务的数据与对应的轴承故障类别提取故障特征，构建初始故障诊断模型；在增量任务的当前增量阶段中，除获取当前增量阶段对应轴承故障类别的数据外，还结合初始任务和之前增量阶段的所有轴承故障类别及其数据，得到新的故障诊断模型；在所述新的故障诊断模型的训练过程中不断进行优化；利用优化好的新的故障诊断模型对待检测的轴承振动信号进行故障诊断。本发明能够对轴承故障类型进行有效检测。
-
公开(公告)号：CN115659224B
公开(公告)日：2023-08-25
申请号：CN202211406175.3
申请日：2022-11-10
Applicant: 苏州大学
IPC: G06F18/24 , G06F18/214 , G06F18/15 , G06N3/047
Abstract: 本发明实施例提供了一种概率引导的域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练；构建第一阶段目标函数，实现鉴别器和特征生成器参数的更新；构建第二阶段目标函数，实现分类器参数的更新，神经网络模型训练完成；将目标域数据集输入训练好的神经网络模型，实现轴承故障诊断。本发明方法解决了轴承故障诊断网络特征分类能力不足的问题，轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
公开(公告)号：CN116108346A
公开(公告)日：2023-05-12
申请号：CN202310126044.8
申请日：2023-02-17
Applicant: 苏州大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于生成特征重放的轴承增量故障诊断终身学习方法，包括：将轴承状态数据集划分为多个不同诊断阶段；学习初始阶段的灰度图片样本，训练第一特征提取器和第一分类器；使用第一特征提取器提取的特征，利用对抗生成网络交替训练，得到第一特征生成器；构建原始故障诊断模型，设置其全连接层神经元数量为初始阶段故障类型数量；在增量学习阶段，利用n‑1阶段的原始故障诊断模型，训练更新n阶段的故障诊断模型，利用特征蒸馏损失函数缩小第n特征提取器与第n‑1特征提取器提取的特征的差异，利用重放对齐损失约束第n特征生成器与第n‑1特征生成器生成的特征相似，更新全连接层神经元数量为初始阶段至第n阶段故障类型数量总和，得到最终故障诊断模型。
-
公开(公告)号：CN118260631B
公开(公告)日：2025-03-25
申请号：CN202410350184.8
申请日：2024-03-26
Applicant: 苏州大学
IPC: G06F18/24 , G01M13/045 , G06F18/241 , G06F18/2415 , G06F18/10 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/096
Abstract: 本发明提供一种故障轴承中故障类型监测方法和系统，涉及轴承故障诊断技术领域，该方法包括采集各种故障类型的轴承振动信号，并构建故障诊断数据集，将不同阶段的故障任务划分初始任务和增量任务，并确定初始任务和增量任务的故障类别数；构建初始故障诊断模型；基于初始故障诊断模型，对增量任务进行训练，包括模型自适应阶段训练和模型融合阶段训练，通过蒸馏损失将新模型和旧模型进行整合，得到整合后的故障诊断模型；利用整合后的故障诊断模型对待检测的故障轴承振动信号进行故障诊断，得到待检测的故障轴承振动信号的故障类型；与传统的深度学习方法相比，本发明能缓解灾难性遗忘问题，更符合工业应用的实际场景。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.029 seconds)
