-
公开(公告)号：CN112561035B
公开(公告)日：2023-07-25
申请号：CN202011446332.4
申请日：2020-12-08
Applicant: 上海海事大学
IPC: G06N3/0464 , G06N3/044 , G06N3/049 , G06F18/214 , G06F18/25 , G06F18/213
Abstract: 本发明公开了一种基于CNN与LSTM深度特征融合的故障诊断方法，深度学习近年来在故障诊断领域得到广泛应用。但利用单个深度学习模型来进行特征提取和故障诊断将面临数据利用不充分、特征提取不全面的问题，从而影响故障诊断的精度。针对上述问题，提出了一种特征融合机制，使用两种不同的神经网络对一维序列数据和二维波形图数据分别做特征抽取：使用LSTM抽取一维序列数据的自相关特征，使用CNN抽取二维波形图数据的互相关特征。通过加入特征融合网络，实现两种神经网络特征互补融合的目的，而不同于现有的特征简单拼接融合。从而使数据利用更加充分，特征提取更加全面，故障诊断更加准确。
-
公开(公告)号：CN111709577B
公开(公告)日：2023-08-15
申请号：CN202010553410.4
申请日：2020-06-17
Applicant: 上海海事大学
IPC: G06Q10/04 , G06Q10/067 , G06N3/0442 , G06N3/0475 , G06N3/048
Abstract: 本发明公开了一种非全寿命周期数据下基于长程相关性GAN‑LSTM的RUL预测方法。利用非全寿命周期的历史数据建立粗略的基于LSTM的RUL预测模型，并利用该预测模型预测出未采集到的全寿命周期数据；使用预测出的全寿命周期数据，构建一个生成对抗网络，使用训练好的生成对抗网络的生成器生成大量全寿命周期数据；使用生成的全寿命周期数据，对建立的RUL预测模型进行再次训练，更新其网络参数，提高预测能力。本发明解决了在非全寿命周期数据下无法有效进行RUL在线预测的问题，能够根据获取到的非全寿命周期数据获得全寿命周期的退化特征，提高RUL预测模型的在线预测能力。
-
公开(公告)号：CN114216676B
公开(公告)日：2024-06-25
申请号：CN202111559299.0
申请日：2021-12-20
Applicant: 上海海事大学
IPC: G01M13/021 , G01M13/028 , G06F17/14 , G06F17/15 , G06F17/16
Abstract: 本发明公开了一种时变工况下无转速计的行星齿轮箱复合故障诊断方法，包括：采集时变工况下行星齿轮箱故障振动信号；对故障振动信号进行自适应模态分解，计算各模态分量的基尼指数GI值，选取基尼指数GI值最大的模态信号作为敏感分量；从所采集的故障振动信号的短时傅里叶STFT时频表示中提取IDMM趋势线,并将IDMM趋势线等效为参考轴的转频；基于等效的参考轴转频对敏感分量进行角域重采样，获得平稳的角域信号；对角域信号进行解卷积处理；对解卷积后的角域信号进行包络解调处理，获得包络谱，并从包络谱中提取故障特征阶次信息与理论值对比，从而准确判别行星齿轮箱的故障类型。应用本发明实施例，显著地提高了诊断的精确性和鲁棒性。
-
公开(公告)号：CN114398833A
公开(公告)日：2022-04-26
申请号：CN202210048322.8
申请日：2022-01-17
Applicant: 上海海事大学
Abstract: 本发明公开了一种基于机构内递归与机构间递归相结合的联邦学习故障诊断方法，旨在解决隶属不同公司风力发电机关键部件监测数据面临的样本结构不一致的问题。这种由于传感器多速率采样、网络随机丢包带来的问题会使得联邦平均方法无法综合来自不同机构的数据。因此，提出了一种联邦学习策略，首先单个机构内划分为采样率不同的数据建立多个参与方模型，然后在联邦中心以资源分配策略将各机构的同一参与方进行联邦，在各机构内通过递归迁移的方式实现参与方内的模型优化。最后把更新之后的相同参与方模型上传到联邦中心进行下一轮的联邦，从而达到利用其他机构信息更新本机构深度学习故障诊断模型的目的，使数据利用更加充分，故障诊断更加准确。
-
公开(公告)号：CN111709577A
公开(公告)日：2020-09-25
申请号：CN202010553410.4
申请日：2020-06-17
Applicant: 上海海事大学
Abstract: 本发明公开了一种非全寿命周期数据下基于长程相关性GAN-LSTM的RUL预测方法。利用非全寿命周期的历史数据建立粗略的基于LSTM的RUL预测模型，并利用该预测模型预测出未采集到的全寿命周期数据；使用预测出的全寿命周期数据，构建一个生成对抗网络，使用训练好的生成对抗网络的生成器生成大量全寿命周期数据；使用生成的全寿命周期数据，对建立的RUL预测模型进行再次训练，更新其网络参数，提高预测能力。本发明解决了在非全寿命周期数据下无法有效进行RUL在线预测的问题，能够根据获取到的非全寿命周期数据获得全寿命周期的退化特征，提高RUL预测模型的在线预测能力。
-
Patent Agency Ranking
公开(公告)号：CN112763215A
公开(公告)日：2021-05-07
申请号：CN202110053434.8
申请日：2021-01-15
Applicant: 上海海事大学
IPC: G01M13/045 , G06F30/27 , G06K9/62 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种基于模块化联邦深度学习的多工况在线故障诊断方法。大型机械设备工作在多工况环境中，会破坏数据独立同分布的特性导致采集的数据质量较低，且单个神经网络在故障诊断时存在数据利用不充分、特征提取不全面等问题，进而影响故障诊断精度。针对上述问题，提出一种模块化联邦学习的方法，首先根据单工况序列数据建立深度神经网络模块进行特征抽取，同时利用新的网络对多工况序列数据进行特征抽取，之后多模块联邦进行决策层的特征联邦学习，并利用胶囊模块网络进一步进行模块划分，通过自适应联邦以实现模块间权重自适应分配给顶层故障诊断模块，从而更加精确的进行多工况故障诊断。该方法通过模块化联邦使得故障诊断更加准确。
-
公开(公告)号：CN112561035A
公开(公告)日：2021-03-26
申请号：CN202011446332.4
申请日：2020-12-08
Applicant: 上海海事大学
Abstract: 本发明公开了一种基于CNN与LSTM深度特征融合的故障诊断方法，深度学习近年来在故障诊断领域得到广泛应用。但利用单个深度学习模型来进行特征提取和故障诊断将面临数据利用不充分、特征提取不全面的问题，从而影响故障诊断的精度。针对上述问题，提出了一种特征融合机制，使用两种不同的神经网络对一维序列数据和二维波形图数据分别做特征抽取：使用LSTM抽取一维序列数据的自相关特征，使用CNN抽取二维波形图数据的互相关特征。通过加入特征融合网络，实现两种神经网络特征互补融合的目的，而不同于现有的特征简单拼接融合。从而使数据利用更加充分，特征提取更加全面，故障诊断更加准确。
-
公开(公告)号：CN114398833B
公开(公告)日：2023-08-11
申请号：CN202210048322.8
申请日：2022-01-17
Applicant: 上海海事大学
IPC: G06F30/27 , G06F30/17 , G06F18/2415 , G06F18/214 , G06N3/084 , G06N3/04
Abstract: 本发明公开了一种基于机构内递归与机构间递归相结合的联邦学习故障诊断方法，旨在解决隶属不同公司风力发电机关键部件监测数据面临的样本结构不一致的问题。这种由于传感器多速率采样、网络随机丢包带来的问题会使得联邦平均方法无法综合来自不同机构的数据。因此，提出了一种联邦学习策略，首先单个机构内划分为采样率不同的数据建立多个参与方模型，然后在联邦中心以资源分配策略将各机构的同一参与方进行联邦，在各机构内通过递归迁移的方式实现参与方内的模型优化。最后把更新之后的相同参与方模型上传到联邦中心进行下一轮的联邦，从而达到利用其他机构信息更新本机构深度学习故障诊断模型的目的，使数据利用更加充分，故障诊断更加准确。
-
公开(公告)号：CN112763215B
公开(公告)日：2022-04-29
申请号：CN202110053434.8
申请日：2021-01-15
Applicant: 上海海事大学
IPC: G01M13/045 , G06F30/27 , G06K9/62 , G06N3/08 , G06N3/04
Abstract: 本发明公开了一种基于模块化联邦深度学习的多工况在线故障诊断方法。大型机械设备工作在多工况环境中，会破坏数据独立同分布的特性导致采集的数据质量较低，且单个神经网络在故障诊断时存在数据利用不充分、特征提取不全面等问题，进而影响故障诊断精度。针对上述问题，提出一种模块化联邦学习的方法，首先根据单工况序列数据建立深度神经网络模块进行特征抽取，同时利用新的网络对多工况序列数据进行特征抽取，之后多模块联邦进行决策层的特征联邦学习，并利用胶囊模块网络进一步进行模块划分，通过自适应联邦以实现模块间权重自适应分配给顶层故障诊断模块，从而更加精确的进行多工况故障诊断。该方法通过模块化联邦使得故障诊断更加准确。
-
公开(公告)号：CN114216676A
公开(公告)日：2022-03-22
申请号：CN202111559299.0
申请日：2021-12-20
Applicant: 上海海事大学
IPC: G01M13/021 , G01M13/028 , G06F17/14 , G06F17/15 , G06F17/16
Abstract: 本发明公开了一种时变工况下无转速计的行星齿轮箱复合故障诊断方法，包括：采集时变工况下行星齿轮箱故障振动信号；对故障振动信号进行自适应模态分解，计算各模态分量的基尼指数GI值，选取基尼指数GI值最大的模态信号作为敏感分量；从所采集的故障振动信号的短时傅里叶STFT时频表示中提取IDMM趋势线,并将IDMM趋势线等效为参考轴的转频；基于等效的参考轴转频对敏感分量进行角域重采样，获得平稳的角域信号；对角域信号进行解卷积处理；对解卷积后的角域信号进行包络解调处理，获得包络谱，并从包络谱中提取故障特征阶次信息与理论值对比，从而准确判别行星齿轮箱的故障类型。应用本发明实施例，显著地提高了诊断的精确性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.018 seconds)
