-
公开(公告)号：CN111665066B
公开(公告)日：2021-06-11
申请号：CN202010418461.6
申请日：2020-05-18
Applicant: 东华大学 , 北京中丽制机工程技术有限公司
Abstract: 本发明提供了一种基于卷积神经网络的设备故障自适应上下预警界生成方法，可用于化纤卷绕机在纺丝过程中的故障诊断，方法包括：用于区间预测的卷积神经网络模型，用于区间自适应生成和分类的上下界模型。本发明利用对化纤卷绕机在纺丝过程中采集到的振动信号进行故障诊断，克服了已有的故障诊断技术准确度不高、易受人为因素影响的不足，引入代价敏感学习模块对卷积神经网络更新迭代过程中的损失函数进行优化，从而得到误分代价为优化目标的机器学习故障检测方法。本发明在样本不平衡条件下有较好的实用性。
-
公开(公告)号：CN111665066A
公开(公告)日：2020-09-15
申请号：CN202010418461.6
申请日：2020-05-18
Applicant: 东华大学 , 北京中丽制机工程技术有限公司
Abstract: 本发明提供了一种基于卷积神经网络的设备故障自适应上下预警界生成方法，可用于化纤卷绕机在纺丝过程中的故障诊断，方法包括：用于区间预测的卷积神经网络模型，用于区间自适应生成和分类的上下界模型。本发明利用对化纤卷绕机在纺丝过程中采集到的振动信号进行故障诊断，克服了已有的故障诊断技术准确度不高、易受人为因素影响的不足，引入代价敏感学习模块对卷积神经网络更新迭代过程中的损失函数进行优化，从而得到误分代价为优化目标的机器学习故障检测方法。本发明在样本不平衡条件下有较好的实用性。
-
Patent Agency Ranking
公开(公告)号：CN114444547B
公开(公告)日：2025-03-21
申请号：CN202210109892.3
申请日：2022-01-29
Applicant: 东华大学 , 北京中丽制机工程技术有限公司
IPC: G06F18/213 , G06F18/2431 , G06F18/10 , G01M13/045 , G06N3/123
Abstract: 本发明提出了一种结合GEP和互信息的的化纤卷绕机轴承故障特征提取方法。使用具有进化搜索性能的改进型基因表达式编程用于滚动轴承的特征提取。为提高基因表达式编程拟合特征的可用率和轴承特征在工业场景下的结合程度，提出了一种基于互信息的特征选择方法，分别分析当前基因表达式编程特征与故障标签序列的相关性、与当前候选基因表达式编程特征集的冗余性，并在此基础上分析当前候选子集与时频域离散特征集的互补性。与原有特征对分类精度相比，基因表达式编程训练过程中能更好地保留优势特征。此方法也可以应用到工况多变的类似工业场景中，帮助故障特征提取，实现高效故障诊断。
-
公开(公告)号：CN114444547A
公开(公告)日：2022-05-06
申请号：CN202210109892.3
申请日：2022-01-29
Applicant: 东华大学 , 北京中丽制机工程技术有限公司
IPC: G06K9/00 , G06K9/62 , G01M13/045
Abstract: 本发明提出了一种结合GEP和互信息的的化纤卷绕机轴承故障特征提取方法。使用具有进化搜索性能的改进型基因表达式编程用于滚动轴承的特征提取。为提高基因表达式编程拟合特征的可用率和轴承特征在工业场景下的结合程度，提出了一种基于互信息的特征选择方法，分别分析当前基因表达式编程特征与故障标签序列的相关性、与当前候选基因表达式编程特征集的冗余性，并在此基础上分析当前候选子集与时频域离散特征集的互补性。与原有特征对分类精度相比，基因表达式编程训练过程中能更好地保留优势特征。此方法也可以应用到工况多变的类似工业场景中，帮助故障特征提取，实现高效故障诊断。
-
公开(公告)号：CN111738413B
公开(公告)日：2021-04-20
申请号：CN202010498114.9
申请日：2020-06-04
Applicant: 东华大学
Abstract: 本发明涉及一种基于特征自匹配迁移学习的纺纱全流程能耗监测方法，该方法通过深度卷积神经网络从旧厂历史数据集中学习知识规律，并迁移到新厂纺纱能效的异常趋势识别中，以弥补新厂异常样本不足的问题。同时，针对迁移过程中由于源域、目标域之间数据特征不匹配造成的负迁移问题，设计了基于聚类的特征自匹配层网络，通过特征匹配矩阵最小化同类特征的距离，剔除离群特征，促进有效知识的正向迁移，抑制无效干扰知识的负迁移。与现有方法相比，所提模型具有更高的纺纱能效异常侦测精度和更低的漏报率。
-
公开(公告)号：CN111738413A
公开(公告)日：2020-10-02
申请号：CN202010498114.9
申请日：2020-06-04
Applicant: 东华大学
Abstract: 本发明涉及一种基于特征自匹配迁移学习的纺纱全流程能耗监测方法，该方法通过深度卷积神经网络从旧厂历史数据集中学习知识规律，并迁移到新厂纺纱能效的异常趋势识别中，以弥补新厂异常样本不足的问题。同时，针对迁移过程中由于源域、目标域之间数据特征不匹配造成的负迁移问题，设计了基于聚类的特征自匹配层网络，通过特征匹配矩阵最小化同类特征的距离，剔除离群特征，促进有效知识的正向迁移，抑制无效干扰知识的负迁移。与现有方法相比，所提模型具有更高的纺纱能效异常侦测精度和更低的漏报率。
-
公开(公告)号：CN116662836A
公开(公告)日：2023-08-29
申请号：CN202310409218.1
申请日：2023-04-14
Applicant: 东华大学
IPC: G06F18/232 , G06F18/10 , G06F18/25
Abstract: 本发明的目的是对纺纱车间运行过程中产生的噪声大、时域特征明显的纺纱时序数据，通过融合时域特点的模糊层次聚类纺纱时序数据分析方法，减少分类过程中的噪声的影响，考虑其中的时域特点和噪声影响，解决对纺纱时序数据流处理的准确性问题。本发明的技术方案是提供了一种融合时域特性的纺纱时序数据模糊层次聚类分析方法。本发明提出了融合时域特点的模糊层次聚类纺纱时序数据分析方法，通过DTS特征矩阵与MTS特征矩阵相互迭代，考虑纺纱时序数据中的时域特点和噪声影响，不增加时间复杂度的情况下，在迭代过程中考虑了纺纱时序数据中的时频特点和噪声影响。与最新方法相比，本发明方法能够更准确地处理纺纱制造中新产生的时序性数据。
-
-
-
-
-
-
Search Results
7
records
(took 0.089 seconds)
