公开(公告)号：CN119249259A

公开(公告)日：2025-01-03

申请号：CN202411090585.0

申请日：2024-08-09

Applicant: 上海大学

Inventor： 刘丽兰 ,  闫振豪 ,  潘坚初 ,  刘颖林 ,  高增桂 ,  赵凯 ,  于文花

IPC: G06F18/2415 ,  G06F18/2131 ,  G01M13/045 ,  G06N3/0464 ,  G06N3/047 ,  G06F123/02

Abstract: 本发明属于跨设备故障诊断技术领域，具体公开了一种基于多源域数据知识的跨设备诊断方法、电子设备及存储介质，其方法包括以下步骤：S1、采集不同工况下轴承各种状态的振动信号；S2、采用等窗划分将振动信号分割成一定数量的样本；S3、构建基于多组源域数据协同训练的网络模型，用于样本的跨设备诊断；所述网络模型包括具有相同网络结构的多层残差块结构和三个独立任务分类器；所述残差块结构通过自定义阈值均衡模块构建对抗结构，用于提高网络表征性能；所述分类器用于多设备同一类别数据内模糊故障样本的识别。

公开(公告)号：CN119250130A

公开(公告)日：2025-01-03

申请号：CN202411192991.8

申请日：2024-08-28

Applicant: 上海大学

Inventor： 刘丽兰 ,  闫振豪 ,  潘坚初 ,  刘颖林 ,  高增桂 ,  赵凯 ,  于文花

IPC: G06N3/0475 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/096 ,  G06N3/098 ,  G06N3/09 ,  G06F17/10

Abstract: 本发明涉及计算机深度学习技术领域，公开了一种基于客户端样本熵感知和联邦迁移学习的网络模型训练方法，该方法是将待训练的网络模型分别搭载在中央服务器和多个源客户端中，采用训练样本对搭载在源客户端中的本地模型进行训练，得到训练后本地模型；搭载在中央服务器中的全局模型根据接收的本地网络模型参数更新全局模型网络参数；然后将更新后的全局模型下载到各个源客户端中，采用验证样本集对下载至每个源客户端中的更新后的全局模型进行任务验证，并根据验证损失对全局模型网络参数进行优化，得到更新全局模型；将更新全局模型下载到每个源客户端，采用验证样本集对下载至每个源客户端的更新全局模型进行任务验证，任务验证完成后，根据每个源客户端中所述更新训练后本地模型、更新全局模型的任务验证性能来更新所述更新训练后本地模型的网络参数；重复上述步骤直至全局模型达到更新预设值或预设性能，完成全局模型训练。

公开(公告)号：CN117591931A

公开(公告)日：2024-02-23

申请号：CN202311577486.0

申请日：2023-11-23

Applicant: 上海大学

Inventor： 刘丽兰 ,  闫振豪 ,  农伟平 ,  潘坚初 ,  高增桂 ,  赵凯 ,  于文花

IPC: G06F18/241 ,  G06F18/214 ,  G06F18/213

Abstract: 本发明属于联邦学习技术领域，公开一种基于数据与机理混合驱动的设备智能故障诊断方法，包括以下步骤：步骤1，每个源客户端对局部模型进行初始化操作；步骤2，使用源域数据对局部模型进行训练；步骤3，使用过渡数据对局部模型进行训练；步骤4，中心服务器根据局部模型对全局模型的特征提取器和分类器的参数更新；步骤5，使用全局模型对源客户端任务进行反向验证，使用任务验证损失更新该源客户端中局部模型；步骤6，循环步骤2‑5达到设定次数。本发明提供了一种能够减轻域差异引起的协变量漂移，并纠正网络关注区域的基于数据与机理混合驱动的设备智能故障诊断方法，提高诊断目标任务的准确率。

公开(公告)号：CN119272160A

公开(公告)日：2025-01-07

申请号：CN202411200651.5

申请日：2024-08-29

Applicant: 上海大学

Inventor： 刘丽兰 ,  潘坚初 ,  高增桂 ,  孙衍宁 ,  周秉强 ,  农伟平 ,  闫振豪

IPC: G06F18/243 ,  G06F18/241 ,  G06F18/214 ,  G06F18/10 ,  G06F18/213 ,  G06N3/096 ,  G06N3/09 ,  G06N3/0464 ,  G01M13/045

Abstract: 本发明涉及计算机深度学习技术领域，涉及一种基于多源域知识联合迁移的设备故障诊断网络模型训练方法，该方法包括：构造训练样本集、验证集和测试集，利用训练样本集对预先构建的设备故障诊断网络模型进行训练，优化设备故障诊断网络模型的参数，得到训练后的设备故障诊断网络模型；采用验证集对训练后的设备故障诊断网络模型进行验证，评估训练后的设备故障诊断网络模型的诊断性能，挑选出最优设备故障诊断网络模型；采用测试集最优设备故障诊断网络模型进行测试，评价最优设备故障诊断网络模型的性能。本发明利用采集到的由若干个有标签源域数据集和无标签源域数据集组成的含少量标记的多源域数据集对模型进行多源域协同训练，学习故障样本中的领域不变特征，将共享诊断知识从标记数据和未标记数据共同迁移到目标领域中，因此训练后的设备故障诊断网络模型不需要提前获取目标样本即可完成跨域故障诊断任务。

公开(公告)号：CN119124515A

公开(公告)日：2024-12-13

申请号：CN202411142077.2

申请日：2024-08-19

Applicant: 上海大学

Inventor： 高增桂 ,  勤忠生 ,  农伟平 ,  周秉强 ,  潘坚初 ,  闫振豪 ,  刘丽兰

IPC: G01M5/00 ,  G06F17/11

Abstract: 本发明涉及预测弹簧应力松弛寿命技术领域，具体的为一种针对推杆弹簧的应力松弛寿命预测方法及计算机可读存储介质，包括以下步骤：S1、安装测试设备与弹簧；S2、测试弹簧应力松弛数据并绘制曲线；S3、绘制应力损失率的自然对数与时间的自然对数曲线并拟合回归方程；S4、绘制松弛系数与温度的关系曲线并拟合回归方程；S5、计算测试弹簧实际使用温度下的松弛系数；S6、计算测试弹簧应力松弛寿命；本发明利用温度加速的方式，得到在不同实验温度下的应力松弛曲线以及应力损失率对数与时间对数曲线，并最终得到应力损失率的对数关于温度T和时间t的应力松弛方程，从而精确预测弹簧在实际工作温度下的工作年限，预测准确率较高的同时减少了实验周期。