-
公开(公告)号：CN114739659B
公开(公告)日：2025-04-18
申请号：CN202210456304.3
申请日：2022-04-28
Applicant: 重庆邮电大学
IPC: G01M13/02 , G06F18/2415 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及齿轮箱状态监测技术，具体为基于特征粒度对齐的变工况下齿轮箱故障诊断方法及装置。所述方法包括采集不同工况下的轴承振动数据并预处理；利用特征提取器分别提取源域数据和目标域数据特征，并计算得到两种领域之间的CMMD和FMMD，以及CFMMD；利用分类器生成源域数据的预测标签；计算出其原始标签与预测标签之间的预测损失，根据CFMMD计算出距离损失；以最小化损失和为目标函数，训练深度卷积神经网络模型；利用训练后的特征提取器提取出目标域数据特征，利用训练后的分类器对目标域数据特征进行处理，预测得到目标域数据的故障类型。本发明提高了旋转机械变工况的故障诊断效率和准确率。
-
公开(公告)号：CN116629363B
公开(公告)日：2024-12-20
申请号：CN202310585213.4
申请日：2023-05-23
Applicant: 重庆邮电大学
IPC: G06N5/04 , G06N3/084 , G06N3/045 , G06N3/0464
Abstract: 本发明属于机器学习技术领域，具体涉及一种基于深度网络的模型抽象推理泛化能力评价方法，包括：获取的抽象元素，设置预设规则；采用预设规则对抽象元素进行变换，得到少量样本；将少量样本输入到深度模型中生成大量样本；将大量样本输入到训练好的被测推理模型中进行测试，得到模型抽象推理泛化能力评价结果；本发明根据预设规则可以自动且灵活的构建出用于深度网络抽象推理能力评价所需的抽象推理数据集，并且可以在少量样本中通过样本中的基本元素构建出大量基于原始抽象元素的新样本作为测试集来评价深度网络的泛化能力，提高了模型抽象推理泛化能力评价的效率。
-
公开(公告)号：CN118965259A
公开(公告)日：2024-11-15
申请号：CN202410995990.0
申请日：2024-07-24
Applicant: 重庆邮电大学工业互联网研究院
IPC: G06F18/25 , G06F18/24 , G06F18/10 , G06F18/2131 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及工业智能预测性维护领域，特别涉及一种基于可解释深度特征融合网络的工业智能预测性维护方法，包括：获取含有噪声的齿轮箱振动数据；通过建立具有物理信息约束的可解释特征提取模块对获取数据的特征进行初步的提取和噪声抑制；利用具有全局和局部特征融合能力的双分支特征融合模块整合包括长距离依赖和局部依赖的多尺度特征；利用分类器将高维特征进行降维输出得到最终故障识别结果；并对模型的诊断流程进行可解释性分析。本发明通过将具有确定物理理论支撑的信号处理技术嵌入到深度神经网络中，在提升模型故障识别准确率的同时，有效提高了模型推理结果的可解释性和可靠性。
-
公开(公告)号：CN118673470A
公开(公告)日：2024-09-20
申请号：CN202410689012.3
申请日：2024-05-30
Applicant: 重庆邮电大学工业互联网研究院
IPC: G06F18/27 , G06N3/094 , G06N3/084 , G06F18/213
Abstract: 本发明涉及一种滚动轴承剩余寿命预测方法和系统，该方法包括：获取待预测的样本数据，将其输入到训练好的剩余寿命预测神经网络中获得输出预测结果，剩余寿命预测神经网络包括特征编码器和回归预测器，在其训练过程中，利用特征编码器从源域样本数据中初步提取特征；利用时间混合对比域适应训练模块计算对比损失，利用对比损失迭代训练特征编码器，实现从目标域样本数据特征中进一步提取互信息作为一种高级特征；利用细粒度结构域适应训练模块计算域判别损失和源域样本数据和目标域样本数据之间的细粒度匹配程度，利用域判别损失和细粒度匹配程度迭代训练特征编码器，实现进一步提取源域与目标域之间的域不变特征。该系统包括：输入接口、输出接口、处理器、计算机可读存储介质和存储的程序指令，其中，处理器调取程序指令进行剩余寿命预测神经网络训练；调取训练好的剩余预测神经网络的程序指令，指令特征提取器对所述待检测的滚动轴承振动数据进行特征提取，将提取的特征输入回归预测器进行预测处理，得到预测结果。本发明有效地提高滚动轴承剩余使用寿命预测结果的准确率。
-
公开(公告)号：CN118503967A
公开(公告)日：2024-08-16
申请号：CN202410699790.0
申请日：2024-05-31
Applicant: 重庆邮电大学
IPC: G06F21/56 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及大数据处理技术和卷积神经网络，特别涉及一种基于大数据的安卓恶意软件检测方法，包括：将第一特征数据输入预训练的全连接网络中，得到样本数据的第二特征数据；对第二特征数据进行位置编码，获取每个节点的唯一向量表示；将节点的唯一向量表示输入由信息决策卷积神经网络模型、提升深度卷积神经网络和全局最大池化层构成的预测网络得到检测结果；本发明提高了安卓系统的安全防护能力：通过收集和分析安卓应用数据，能够精准识别恶意软件的特征和行为模式，从而有效防止恶意软件对用户隐私和财产安全的侵害。
-
Patent Agency Ranking
公开(公告)号：CN118395230A
公开(公告)日：2024-07-26
申请号：CN202410484894.X
申请日：2024-04-22
Applicant: 重庆邮电大学
IPC: G06F18/24 , G06F18/213 , G06F18/214
Abstract: 本发明涉及一种基于大数据的配电网故障类型识别方法，包括：获取预处理后的配电网的故障训练样本集；对故障训练样本的故障波形数据进行特征提取，得到故障训练样本的时域、频域和熵特征；对故障训练样本的时域、频域和熵特征分别进行白化处理得到故障训练样本的白化时域特征、白化频域和白化熵特征；根据所有故障训练样本的特征方差和故障类别标签对故障训练样本的白化时域特征、白化频域特征和白化熵特征进行过滤，得到故障训练样本的时域属性特征、频域属性特征和熵属性特征；根据故障训练样本的时域属性特征、频域属性特征和熵属性特征利用故障识别模型预测故障训练样本的故障类型，本发明有效提升了配电网故障预测的准确率。
-
公开(公告)号：CN118153625A
公开(公告)日：2024-06-07
申请号：CN202410247419.0
申请日：2024-03-05
Applicant: 重庆邮电大学工业互联网研究院
IPC: G06N3/0442 , G06N3/045 , G06N3/098 , G06N3/082 , G06F18/15 , G06F18/214 , G06F18/21 , G06F18/213 , G01R31/367 , G01R31/392
Abstract: 本发明涉及一种锂电池荷电状态预测方法，包括：各客户端将锂电池运行过程中的运行数据进行归一化处理，构建本地训练集；各个客户端利用本地训练集对锂电池预测模型训练预设的次数得到局部模型，并利用自适应模型权重剪枝策略对局部模型的参数进行剪枝，并接收服务器聚合后的全局模型；直至达到预设的次数后，得到训练好的锂电池预测模型，将待验证的数据输入训练好的锂电池预测模型得到电池荷电状态的初始预测结果；利用高斯分布计算权重的加权回归优化Savitzky‑Golay滤波器对初始预测结果进行过滤得到最终的预测结果，本发明显著提升了锂电池荷电状态预测的准确度，同时也节约中心服务器的计算开销。
-
公开(公告)号：CN115409110A
公开(公告)日：2022-11-29
申请号：CN202211051625.1
申请日：2022-08-31
Applicant: 重庆邮电大学
Abstract: 获取大量有标签的源域故障数据以及一些无标签的目标域故障数据，且目标域故障数据的标签空间是源域故障数据标签空间的子集；对收集到的数据进行小波包变换，获取小波系数；构建诊断模型，包括特征提取器、域鉴别器和分类器，利用特征提取器分别提取源域故障数据和目标域故障数据的特征；对源域故障数据进行加权处理后通过域鉴别器与目标域故障数据进行对抗训练，计算对抗损失，并通过分类器的分类结果计算分类损失，通过对抗损失和分类损失对诊断模型的参数进行优化；将目标域待检测的数据输入优化后的诊断模型，诊断模型输出故障诊断结果；与现有行星齿轮箱故障诊断方法相比，本发明可在目标域故障类别数未知的情况下实现行星齿轮箱跨工况故障诊断。
-
公开(公告)号：CN113305645B
公开(公告)日：2022-07-15
申请号：CN202110690654.1
申请日：2021-06-22
Applicant: 重庆邮电大学工业互联网研究院
IPC: B23Q17/09
Abstract: 本发明属于数控机床刀具寿命预测领域，特别涉及一种基于混合神经模型的数控机床刀具剩余寿命预测方法，包括构建混合神经网络模型，针对刀具数据采样频率，构建PLC工况信号数据与振动和电流信号的同一时间段的样本生成一个样本数据；利用卷积神经网络和长短期记忆网络联合的子模型对样本数据进行学习得到第一表征刀具寿命的特征向量；利用NFM神经网络将采样点的工况信号hash成一独特的索引值后生成一特定维度的可学习的向量表学习获得第二表征刀具寿命的特征向量；将刀具当前工作时长和获取的特征向量输入到多层感知机中进行融合，预测刀具寿命；本发明能够根据刀具中的稀疏特征对道具寿命进行有效、精确的预测。
-
公开(公告)号：CN111791090B
公开(公告)日：2022-03-29
申请号：CN202010633618.7
申请日：2020-07-02
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法，属于数控机床领域。该方法首先在边缘侧对原始信号进行了异常值剔除、缺失值补充和小波阈值滤噪的操作，再利用皮尔逊相关系数提取了刀具寿命磨损状态密切相关的特征，然后对特征进行归一化处理，处理后的数据采用PCA技术进一步降低特征维度，然后将此特征集上传至云端服务器，在云端服务器中对边缘侧处理后的数据进行划分并构建支持向量机分类模型。并针对现有支持向量机模型参数难以选择的问题，提出了一种改进的粒子群算法用于优化支持向量机模型参数，实现了一种基于边缘计算与粒子群算法的刀具寿命磨损判定方法。
-
-
-
-
-
-
-
-
-
Search Results
70
records
(took 0.038 seconds)
