-
公开(公告)号：CN116502696A
公开(公告)日：2023-07-28
申请号：CN202310405004.7
申请日：2023-04-14
Applicant: 西安交通大学
IPC: G06N3/082 , G06N3/098 , G01M13/045
Abstract: 公开了一种基于联邦学习和模型剪枝的滚动轴承剩余寿命预测方法，步骤为：采集滚动轴承全寿命周期的振动信号；将获取到的样本进行划分、存储和预处理，得到可作为模型输入的序列数据；构建包含多尺度特征拓展模块、深度特征提取模块以及预测模块的预测模型；在联邦学习框架中，使用中心服务器与多个客户端协同训练预测模型，搭配剪枝策略，让模型结构变得轻量化；利用最终得到的轻量级模型进行滚动轴承剩余使用寿命的预测。本发明通过联邦学习为互不共享的分布式数据搭建预测模型，大大提高了各客户端数据的安全性，配合剪枝操作，有效提高了模型的预测效果及推理速度。
-
公开(公告)号：CN115391955A
公开(公告)日：2022-11-25
申请号：CN202211112504.3
申请日：2022-09-13
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于多尺度成分分析的机械故障诊断方法，方法包括以下步骤：采集多种故障类型的机械振动信号y；建立多尺度成分分析模型，对信号多尺度特征进行解耦提取，得到各尺度深层稀疏编码γm，L；利用迭代阈值收缩算法求解建立的多尺度成分分析模型，并将优化求解算法展开为多尺度成分分析网络，拼接多尺度编码为将其输入后续的池化层与多层感知机作为分类器hθ，完成故障智能诊断网络的搭建；使用带故障标签的训练样本端到端地训练网络模型，利用反向传播技术学习网络模型参数；将测试信号输入网络中，通过输出预测标签实现故障诊断；对输入信号的重构信号的整体特征和网络学习到的原子特征进行可视化，完成事后可解释性分析。
-
公开(公告)号：CN112685857B
公开(公告)日：2022-10-28
申请号：CN202011626073.3
申请日：2020-12-31
Applicant: 西安交通大学
IPC: G06F30/17 , G06F30/27 , G06K9/62 , G06N20/00 , G06F111/04 , G06F119/02
Abstract: 公开了基于传递迁移的轴承剩余寿命预测方法，方法中，联合评估指标评估多维特征单调性和鲁棒性，以筛选几个高质量的特征。最大相关峰度去卷积函数用于计算稳态阶段和失效阶段分界点。领域综合区分指标用于从现有全寿命疲劳退化曲线中选择源领域，从历史疲劳退化曲线中选择中间领域。引入中间域的DI‑SVM算法用于同时减少源领域至中间领域和中间领域至目标领域的迁移误差，并实施剩余寿命预测。本发明不但能提升源领域疲劳退化曲线质量低时的轴承寿命预测性能，并且增强了预测模型的环境适应性和通用性，具有潜在的经济价值。
-
公开(公告)号：CN113324758B
公开(公告)日：2022-08-09
申请号：CN202110588072.2
申请日：2021-05-27
Applicant: 西安交通大学
IPC: G01M13/045 , G06K9/00 , G06N3/04 , G06N3/08
Abstract: 本公开揭示了一种基于半监督对抗网络的轴承故障诊断方法，包括：S100：采集轴承真实故障时的振动信号xf、轴承正常运行时的振动信号xh以及待测轴承振动信号S200：构建由生成器g、特征网络f、故障分类器fc、鉴别器d、辅助分类器ac和诊断网络diag组成的半监督生成对抗网络并进行训练，训练包括如下步骤：S201：对生成器g进行训练，生成故障状态以及正常运行下的伪轴承振动信号S202：以振动信号xf、xh以及伪轴承振动信号对特征网络f、故障分类器fc、鉴别器d和辅助分类器ac进行训练；S203：待步骤S201和步骤S202的训练收敛后，以振动信号xh、xf和伪轴承振动信号对诊断网络diag进行训练；S300：将待测轴承振动信号输入训练后的诊断网络diag进行故障诊断。
-
公开(公告)号：CN113310689B
公开(公告)日：2022-07-12
申请号：CN202110588075.6
申请日：2021-05-27
Applicant: 西安交通大学
IPC: G01M13/028 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本公开揭示了一种基于域自适应图卷积网络的航发传动系统故障诊断方法，包括：采集故障未知的航空发动机传动系统在不同转速下的第一振动信号，以该第一振动信号作为无标签的目标域数据；构建域自适应图卷积网络，采集故障已知的航空发动机传动系统在不同转速下的第二振动信号，以该第二振动信号作为有标签的源域数据，以源域数据和部分目标域数据作为输入对域自适应图卷积网络进行训练；将另一部分目标域数据输入训练好的域自适应图卷积网络，获得目标域数据的预测标签，实现不同转速下航空发动机传动系统故障的迁移诊断。
-
Patent Agency Ranking
公开(公告)号：CN111175045B
公开(公告)日：2021-11-30
申请号：CN202010019856.9
申请日：2020-01-08
Applicant: 西安交通大学
IPC: G01M13/045
Abstract: 本公开揭示了一种机车牵引电机轴承振动加速度数据清洗方法，包括：采集机车牵引电机轴承的振动加速度数据；剔除所采集的振动加速度数据中的无效数据并清洗异常离群点；对剔除无效数据和清洗异常离群点后的振动加速度数据进行量化处理，排除变转速导致的中的幅值调制现象，获得量化振动加速度数据；提取量化振动加速度数据在不同转速工况下的量化高维性能退化特征；计算每个量化高维性能退化特征的分散性，将所述分散性与阈值比对，根据比对结果对量化高维性能退化特征进行筛选。本公开能够有效去除振动加速度数据中的无效点和异常离群点以及由于转速变化所导致的幅值调制现象，能够保障所采集振动加速度数据的可用性。
-
公开(公告)号：CN111168647B
公开(公告)日：2021-10-01
申请号：CN202010011835.2
申请日：2020-01-06
Applicant: 西安交通大学
Abstract: 公开了故障检测机器人及其使用方法，机器人中，故障检测机器人包括机械臂装置、传感器夹持装置和传感器更换装置，传感器更换单元布置在机械臂小臂的末端，传感器更换单元承载传感器到预定更换位置，响应于移动路径数据，控制单元控制机器人本体移动到预定位置，响应于第一位置参数，控制单元控制传感器移动到用于检测故障的预定检测位置，响应于第一位置参数和第二位置单元，控制单元控制传感器更换单元在预定更换位置更换所述传感器。
-
公开(公告)号：CN113191186A
公开(公告)日：2021-07-30
申请号：CN202110262703.1
申请日：2021-03-11
Applicant: 西安交通大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G01M13/045
Abstract: 公开了一种故障敏感编码网络驱动的直升机传动系统轴承检测方法，方法中，采集健康的直升机传动系统轴承噪声信号作为训练信号，通过编码器将所述训练信号降维得到低维流形，解码器基于低维流形以重构信号，生成对抗网络包括生成器和鉴别器，生成器生成待测信号，鉴别器鉴别待测信号是来自训练信号还是重构信号，计算训练信号与重构信号的差值得到重构误差，生成对抗网络对抗训练交替优化达到纳什均衡，并拟合得到健康状态信号的分布，输入测试信号到编码器以降维得到低维流形，解码器基于低维流形以重构信号，输入生成对抗网络对抗训练并拟合得到测试信号分布，所述测试信号分布不符合所述健康状态信号的分布，则认为存在故障。
-
公开(公告)号：CN112801176A
公开(公告)日：2021-05-14
申请号：CN202110101522.0
申请日：2021-01-25
Applicant: 西安交通大学
Abstract: 公开直升机飞行姿态不平衡数据的深度学习识别方法，包括采集直升机飞行姿态数据并归一化处理，对处理后的飞行姿态数据进行样本划分，并将划分的样本按类别不平衡率分为训练集和测试集；构造卷积神经网络获得每个类别数据的预测值，其中卷积神经网络包括卷积层、池化层和全连接层。输入矩阵经过卷积层进行特征抽取，抽取的特征经过非线性激活后输入进池化层进行特征降维和进一步特征提取，将获得的特征输入全连接层以获得每个类别数据的预测值；构造焦聚损失，并将其作为卷积神经网络的损失函数，通过焦聚损失中的权重因子和焦聚因子调整样本的权重。从而使网络能够在样本不均衡的情况下提取到具有价值的信息，提高网络在样本不均衡下的识别精度。
-
公开(公告)号：CN112629854A
公开(公告)日：2021-04-09
申请号：CN202011333834.6
申请日：2020-11-25
Applicant: 西安交通大学
IPC: G01M13/04 , G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本公开揭示了一种基于神经网络注意力机制的轴承故障分类方法，包括：利用加速度传感器采集轴承的振动加速度时域信号ST，对振动加速度时域信号ST进行包络谱变换，获得频域信号SF，将频域信号SF作为含有注意力机制的神经网络的输入样本；将输入样本SF等分为N个不同片段后输入神经网络，对每个片段进行处理并提取特征值，对特征值进行打分运算和归一化处理，获得与输入样本SF不同片段相对应的注意力权重；建立输入样本SF不同片段与注意力权重之间的联系；利用注意力权重对每个片段的特征值进行加权并求和，获得注意力机制输出值yatt；对所述注意力机制的输出值yatt通过全连接层后进行归一化处理，获得和为1的概率分布，其中，概率最大的所对应的类别即为轴承的故障类型。
-
-
-
-
-
-
-
-
-
Search Results
74
records
(took 0.031 seconds)
