-
公开(公告)号：CN112633476A
公开(公告)日：2021-04-09
申请号：CN202011554128.4
申请日：2020-12-24
Applicant: 东北大学
Abstract: 本发明涉及一种发动机状态监测方法、系统、设备及介质，其方法包括：首先，将发动机各个传感器采集的数据按照因果关系或空间位置进行排序，作为输入序列；其次，构建长短时记忆神经网络；接着，构建具有分支结构的长短时记忆神经网络；最后，通过具有分支结构的长短时记忆神经网络对发动机的进行状态监测与预测，其输出序列为各种状态类型。本发明针对时间序列输入中存在的各项输入维度不匹配的问题，每一个输入表示的是某一个固定传感器在固定时间内获取的数据，其长度是固定的，该方法可以解决时间序列维度不同的问题，同时因为数据是按照空间序列、因果关系排序的，它加强输入序列之间的关系，进而提高预测精度。
-
公开(公告)号：CN112633476B
公开(公告)日：2023-09-22
申请号：CN202011554128.4
申请日：2020-12-24
Applicant: 东北大学
IPC: G06N3/0442 , F02B77/08
Abstract: 本发明涉及一种发动机状态监测方法、系统、设备及介质，其方法包括：首先，将发动机各个传感器采集的数据按照因果关系或空间位置进行排序，作为输入序列；其次，构建长短时记忆神经网络；接着，构建具有分支结构的长短时记忆神经网络；最后，通过具有分支结构的长短时记忆神经网络对发动机的进行状态监测与预测，其输出序列为各种状态类型。本发明针对时间序列输入中存在的各项输入维度不匹配的问题，每一个输入表示的是某一个固定传感器在固定时间内获取的数据，其长度是固定的，该方法可以解决时间序列维度不同的问题，同时因为数据是按照空间序列、因果关系排序的，它加强输入序列之间的关系，进而提高预测精度。
-
公开(公告)号：CN113887136B
公开(公告)日：2024-05-14
申请号：CN202111169683.X
申请日：2021-10-08
Applicant: 东北大学
IPC: G06F30/27 , G06N3/0464 , G06N3/045 , G06N3/094 , G06N3/084 , G01M13/045 , G06F119/10
Abstract: 本发明属于电动汽车电机故障诊断与健康管理技术领域，提供了一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法。首先对轴承振动信号进行离散化处理并构建实际场景中的不平衡数据集；再通过引入类别标签和使用Wasserstein距离构造损失函数改进了对抗生成网络，生成更具类别特征的数据以解决数据集不平衡的问题；最后，将带有生成数据和真实数据的平衡数据集输入故障诊断网络，通过在诊断网络中构造多尺度残差注意力卷积块以解决深层网络训练的梯度消失问题并学习多尺度深层特征。本发明针对解决真实场景中故障数据难以收集导致的数据集不平衡和复杂工况下有效特征难以提取的问题，生成的数据更贴近真实数据，使得模型能提取到有效的多尺度深层特征。
-
公开(公告)号：CN113887136A
公开(公告)日：2022-01-04
申请号：CN202111169683.X
申请日：2021-10-08
Applicant: 东北大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G01M13/045 , G06F119/10
Abstract: 本发明属于电动汽车电机故障诊断与健康管理技术领域，提供了一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法。首先对轴承振动信号进行离散化处理并构建实际场景中的不平衡数据集；再通过引入类别标签和使用Wasserstein距离构造损失函数改进了对抗生成网络，生成更具类别特征的数据以解决数据集不平衡的问题；最后，将带有生成数据和真实数据的平衡数据集输入故障诊断网络，通过在诊断网络中构造多尺度残差注意力卷积块以解决深层网络训练的梯度消失问题并学习多尺度深层特征。本发明针对解决真实场景中故障数据难以收集导致的数据集不平衡和复杂工况下有效特征难以提取的问题，生成的数据更贴近真实数据，使得模型能提取到有效的多尺度深层特征。
-
-
-
Search Results
4
records
(took 0.013 seconds)
