-
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：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：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：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：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。
-
-
-
-
-
Search Results
6
records
(took 0.02 seconds)
