-
公开(公告)号：CN117150399A
公开(公告)日：2023-12-01
申请号：CN202310830377.9
申请日：2023-07-07
Applicant: 苏州大学
IPC: G06F18/2433 , G01M13/04 , G01M13/045 , G06F18/213 , G06F18/214 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于流判别模型的新型故障识别方法和装置，所述方法包括：对已知的类轴承监测数据预处理，获得封闭数据集及类别标签；搭建故障诊断模型，故障诊断模型包括特征提取器和分类器；基于封闭数据集及类别标签对故障诊断模型训练，利用经过训练的故障诊断模型提取封闭数据集中每个监测数据样本的高维特征；搭建流判别模型，流判别模型包括流模型和判别器；基于封闭数据集及其类别标签对流判别模型训练，基于经过训练的故障诊断模型和流判别模型进行在线故障诊断，实现轴承故障类别的诊断。本发明中流模型在与判别器进行对抗训练时可以促进判别器的收敛，从而解决了判别器的最优参数选择困难问题，本方案对新型故障的识别准确率高。
-
公开(公告)号：CN116935698A
公开(公告)日：2023-10-24
申请号：CN202310995297.9
申请日：2023-08-09
Applicant: 苏州大学
IPC: G08G1/16 , H04B10/116
Abstract: 本发明涉及一种基于可见光通信的车辆换道意图交互方法和系统，方法包括：当驾驶员具有换道意图并拨动待换道车辆的转向灯后，转向灯闪烁，通过车辆碰撞预警和车道线识别来判断待换道车辆是否满足换道条件；若待换道车辆满足换道条件，则实时采集待换道车辆基本信息；对所述待换道车辆基本信息进行第一次处理，并将第一次处理后的待换道车辆基本信息通过可见光信号向外传输；接收车辆捕获到可见光信号，并将可见光信号进行第二次处理得到待换道车辆基本信息；接收车辆根据得到的待换道车辆基本信息判断自身和待换道车辆是否存在碰撞风险，并根据碰撞风险控制行驶速度。本发明使用可见光通信技术实现车辆换道意图交互，能够广泛推广使用。
-
公开(公告)号：CN111651937B
公开(公告)日：2023-07-25
申请号：CN202010496380.8
申请日：2020-06-03
Applicant: 苏州大学
IPC: G06F30/27 , G06N3/0464 , G06N3/047 , G06N3/096 , G01M13/045 , G06F119/02
Abstract: 本发明涉及一种变工况下滚动轴承的故障诊断方法，其在利用卷积神经网络学习模型的基础上，结合迁移学习的算法处理机械设备复杂多变的工况导致深度学习模型通用性变差的问题。本发明首先对不同工况下采集的数据进行切割划分样本，利用FFT对样本进行预处理，然后利用改进的ResNet‑50提取样本的低层次特征，接着多尺度特征提取器从不同角度分析低层次特征得到高层次特征作为分类器的输入。在训练的过程中同时提取训练样本跟测试样本的高层次特征，计算两者的条件分布距离作为目标函数的一部分反向传播以实现类内自适应，降低域漂移的影响，使得深度学习模型能更好地胜任变工况下的故障诊断任务。
-
公开(公告)号：CN116106008A
公开(公告)日：2023-05-12
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：CN115683629A
公开(公告)日：2023-02-03
申请号：CN202211398933.1
申请日：2022-11-09
Applicant: 苏州大学
IPC: G01M13/045 , G06F17/15
Abstract: 本发明涉及一种轴承故障检测方法包括：获取测试轴承的振动加速度时域信号，经短时傅里叶变换生成时频域系数矩阵；利用广义极小极大凹罚函数与截断核范数构建稀疏低秩优化模型的凸性目标函数；利用交替方向乘子法将凸性目标函数拆分成关于广义极小极大凹罚函数的第一子目标函数、关于截断核范数的第二子目标函数与辅助迭代函数；利用前向后向分裂算法求解第一子目标函数得关于Xk+1的迭代公式组；利用奇异值阈值算法求解第二目标子函数得关于Zk+1的迭代公式；初始化参数，将时频域系数矩阵输入辅助迭代函数中，迭代预设次数获取时频域稀疏低秩矩阵；对时频域稀疏低秩矩阵进行短时傅里叶逆变换得到重构时域信号后，进行平方包络谱分析，得到故障特征频率。
-
Patent Agency Ranking
公开(公告)号：CN114548155A
公开(公告)日：2022-05-27
申请号：CN202210073180.0
申请日：2022-01-21
Applicant: 苏州大学
Abstract: 本发明公开了一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，包括：步骤(1)、故障带内成分提取：步骤(2)、高维TFD矩阵构造：步骤(3)、TFM特征提取：步骤(4)、TFM特征去噪：步骤(5)、故障成分TFD重构：步骤(6)、故障成分时域信号重构。该技术方法至少具有以下优点：对不同机械振动信号的普适性好、计算效率高、信噪比高、能够定量分析故障严重程度等。
-
公开(公告)号：CN114429153A
公开(公告)日：2022-05-03
申请号：CN202111677774.4
申请日：2021-12-31
Applicant: 苏州大学
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：CN111458122A
公开(公告)日：2020-07-28
申请号：CN202010271309.X
申请日：2020-04-08
Applicant: 苏州大学
IPC: G01M13/00
Abstract: 本发明提供了一种匹配增强时频表示的旋转机械故障诊断方法，属于变转速旋转机械故障诊断技术领域，该方法包括：引入调频率来匹配频率变化的信号的时频特征，利用正切函数约束调频率选取范围；扩展现有的线性变换基函数e-jωt，得到能同时增强多个时频分量的时频表示；计算对应不同时频图的峭度值，利用峭度最大准则自适应选择合适的参数，选出对应最大峭度的时频分布用于最后的时频表示；对经上一步得到的时频图上利用局部峰值搜索算法搜寻旋转机械的特征时频脊线；根据检测的时频脊线诊断旋转机械故障类型。本发明通过匹配信号中频率的变化特征来增强时频表示，可以得到更加精确的时频脊线估计，并最终完成旋转机械的故障诊断。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.025 seconds)
