-
公开(公告)号：CN117436037A
公开(公告)日：2024-01-23
申请号：CN202311506970.4
申请日：2023-11-13
Applicant: 苏州大学
IPC: G06F18/28 , G01M13/045 , G06F18/2136
Abstract: 本发明涉及一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法及系统，所述方法包括：对初始振动信号进行预处理，生成振动信号；根据加权多尺度卷积稀疏表示模型、交替方向乘子法和受控极小化法生成迭代求解算法；根据所述迭代求解算法从所述振动信号中分离时域故障冲击特征；根据所述时域故障冲击特征确定轴承故障类型。通过加权多尺度卷积稀疏表示模型、交替方向乘子法和受控极小化法得到迭代求解算法，可以在多种复杂干扰条件下依然能够准确提取周期性故障冲击特征，实现滚动轴承的准确诊断，确保整个机械系统的运行安全。
-
公开(公告)号：CN116089812A
公开(公告)日：2023-05-09
申请号：CN202211558882.4
申请日：2022-12-06
Applicant: 苏州大学
IPC: G06F18/213 , G06F18/214 , G06F18/24 , G06N3/0475 , G06N3/0895 , G06N3/094
Abstract: 本发明公开了一种基于半监督对抗域泛化智能模型的故障诊断方法。本发明基于半监督对抗域泛化智能模型的故障诊断方法以域对抗神经网络为基础，采用半监督学习的方式，通过提出域模糊策略来消除多源域之间的数据分布差异，学习标记的源域和未标记的源域中与分布无关的表示，提取域不变特征，并且引入度量学习来促进模型学习特征的类内聚集性和类间可分性，提高特征的可判别性，从而极大提高机械故障诊断模型的泛化能力，实现未知工况下的半监督机械健康状态智能识别，识别精度高。
-
公开(公告)号：CN114429153B
公开(公告)日：2023-04-28
申请号：CN202111677774.4
申请日：2021-12-31
Applicant: 苏州大学
IPC: G06F18/2433 , G06F18/2415 , G06F18/241 , G06F18/214 , G06F18/21 , G06F18/213 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于终身学习的齿轮箱增量故障诊断方法及系统，包括以下步骤：S101：采集齿轮箱振动数据构建增量健康状态数据集，划分为不同阶段的故障诊断任务；S102：利用原始ResNet‑32网络学习初始阶段的故障诊断任务，构建初始阶段诊断模型；S103：利用初始阶段诊断模型初始化ResNet‑32双分支聚合网络，并根据新增的故障类型数量增加分类层神经元数量；S104：通过选取的典例和一阶段的故障诊断任务数据共同训练该阶段诊断模型，训练完成后，选取该阶段故障诊断任务数据的典例；S105：在后续增量阶段重复步骤S103‑S104，得到最终故障诊断模型，进行故障诊断。本发明以解决现有基于深度学习和迁移学习的故障诊断模型不能诊断实际的齿轮箱意外故障问题。
-
公开(公告)号：CN118690276B
公开(公告)日：2024-12-13
申请号：CN202411165214.4
申请日：2024-08-23
Applicant: 苏州大学
IPC: G06F18/2415 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/094 , G01M13/045 , B61K9/08
Abstract: 本发明公开了高铁轮轨运维技术领域的一种高铁轮轨感知对抗学习损伤识别方法，方法包括：获取待识别的振动信号；将所述振动信号输入预训练的高铁轮轨损伤识别模型，所述高铁轮轨损伤识别模型包括深度特征提取器和开放式损伤分类器；利用高铁轮轨损伤识别模型，通过深度特征提取器提取振动信号的高维特征，基于所述高维特征通过开放式损伤分类器得到对应多种损伤类型的多维预测概率数据，并根据对应多种损伤类型的多维预测概率数据确定损伤类型识别结果。本发明能够解决通过深度学习进行高铁轮轨系统损伤识别时，新型损伤会被错误识别为已有的损伤类型而导致准确率下降，难以保障高铁运行的安全性和效率的技术问题。
-
公开(公告)号：CN118690276A
公开(公告)日：2024-09-24
申请号：CN202411165214.4
申请日：2024-08-23
Applicant: 苏州大学
IPC: G06F18/2415 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/094 , G01M13/045 , B61K9/08
Abstract: 本发明公开了高铁轮轨运维技术领域的一种高铁轮轨感知对抗学习损伤识别方法，方法包括：获取待识别的振动信号；将所述振动信号输入预训练的高铁轮轨损伤识别模型，所述高铁轮轨损伤识别模型包括深度特征提取器和开放式损伤分类器；利用高铁轮轨损伤识别模型，通过深度特征提取器提取振动信号的高维特征，基于所述高维特征通过开放式损伤分类器得到对应多种损伤类型的多维预测概率数据，并根据对应多种损伤类型的多维预测概率数据确定损伤类型识别结果。本发明能够解决通过深度学习进行高铁轮轨系统损伤识别时，新型损伤会被错误识别为已有的损伤类型而导致准确率下降，难以保障高铁运行的安全性和效率的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN116337447A
公开(公告)日：2023-06-27
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：CN116089860A
公开(公告)日：2023-05-09
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：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：CN119272208A
公开(公告)日：2025-01-07
申请号：CN202411794290.1
申请日：2024-12-09
Applicant: 苏州大学
IPC: G06F18/2433 , G06F18/2131 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/084 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/048
Abstract: 本发明公开了高铁轮轨运维技术领域的一种高铁齿轮箱损伤状态评估方法、装置、电子终端及存储介质，方法包括：获取待识别的高铁齿轮箱的振动信号；将所述振动信号输入预训练的高铁齿轮箱损伤状态评估模型；根据静态卷积模块和动态卷积模块分别提取所述振动信号中的粗粒度域泛化特征和细粒度域泛化特征，构建动态域泛化特征；将所述动态域泛化特征输入损伤状态判别器，得到多种损伤状态的多维预测概率数据，并根据对应多种损伤状态的多维预测概率数据确定损伤状态评估结果。本发明能够解决由于提取信号的域泛化特征不全面，使得一些微弱但重要的域泛化信息缺失，导致损伤状态评估准确率下降，难以保障高铁运行安全和效率的技术问题。
-
公开(公告)号：CN119128669A
公开(公告)日：2024-12-13
申请号：CN202411149555.2
申请日：2024-08-21
Applicant: 苏州大学
IPC: G06F18/2413 , G01M13/045 , G06F18/214 , G06F18/21 , G06F18/25 , G06F18/23213 , G06N3/0985 , G06N3/0895 , G06N3/096 , G06F123/02
Abstract: 本发明涉及一种基于物理信息自监督迁移的轴承故障诊断方法及系统，属于轴承故障诊断技术领域。采集轴承的振动信号获得数据集，对其分析获得物理标签、伪标签和数据标签，并对伪标签进行动态更新；分别根据伪标签和数据标签的交叉熵、物理标签和数据标签的交叉熵获得数据损失和物理损失，并动态分配权重融合两者获得损失函数；其中，物理损失的权重根据数据损失的方差倒数动态调整；将待检测轴承的目标数据输入至利用损失函数训练得到的诊断模型中，输出目标特征；将特征输入至物理模型和聚类模型中获得目标物理标签和目标伪标签，并将其对齐，得到故障诊断结果。本发明提高了诊断模型的泛化能力和可解释性，且不依赖于标记标签。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.024 seconds)
