公开(公告)号：CN116796274A

公开(公告)日：2023-09-22

申请号：CN202310762648.1

申请日：2023-06-27

Applicant: 东莞理工学院

Inventor： 黄云伟 ,  徐礼杰 ,  杨喆 ,  龙建宇 ,  蒲自强

IPC: G06F18/2433 ,  G06F18/2411 ,  G06F18/213 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/08

Abstract: 本发明涉及基于对抗生成表征的斩波器故障检测与少样本诊断方法，包括如下步骤：利用双向生成对抗网络算法的生成对抗机制从正常状态数据中提取有效特征；利用提取到的有效特征基于单类学习算法构建故障检测模型，通过采集器采集斩波器的数据信息，将采集到的数据经过特征提取器后输入故障检测模型，判断是否为故障数据；基于生成对抗少样本学习方法提取步骤二中检测出的少量不同类别故障样本的故障特征，采用基于特征距离的方法在特征空间中构建基于少故障样本的故障分类模型，并依据故障分类模型对故障进行分类。

公开(公告)号：CN118603554A

公开(公告)日：2024-09-06

申请号：CN202410630219.3

申请日：2024-05-21

Applicant: 东莞理工学院

Inventor： 黄云伟 ,  鲁俊 ,  徐礼杰 ,  龙坤 ,  刘嘉伟 ,  李川 ,  杨喆 ,  龙建宇

IPC: G01M13/045 ,  G06F18/10 ,  G06F18/2131 ,  G06F18/214 ,  G06F18/241 ,  G06F18/27 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/096 ,  G06N3/0895 ,  G06F123/02

Abstract: 本发明涉及基于对比编码域不变特征的智能轴承迁移故障诊断方法，包括如下步骤：在不同工况下在不同工况下使用振动传感器收集轴承的一维振动信号；对采集到的原始时域信号进行处理，首先对信号进行切割，并为源域的少量数据打上故障类别的标签，然后对数据进行预处理，使用快速傅里叶变换将样本从时域转换到频域，并划分数据集，将其分为训练数据和测试数据；搭建一维卷积神经网络模型和对比编码模型；使用源域无标签数据训练特征提取器，同时，借助源域中的少量标注数据，对分类器进行训练，将模型迁移至目标域；使用目标域的测试数据输入到经迁移训练好的模型中，检验模型的特征提取能力与故障分类效果。

公开(公告)号：CN118520366A

公开(公告)日：2024-08-20

申请号：CN202410630473.3

申请日：2024-05-21

Applicant: 东莞理工学院

Inventor： 黄云伟 ,  曾子涛 ,  龙坤 ,  徐礼杰 ,  雷晓彤 ,  龙建宇 ,  杨喆 ,  李川

IPC: G06F18/2413 ,  G01M13/04 ,  G06F18/2431 ,  G06F18/241 ,  G06N3/088

Abstract: 本发明涉及基于无监督特征连续性的智能轴承故障模式增量识别方法，包括如下步骤：轴承运行状态按照N‑A‑B‑C顺序发生，传感器收集到的数据被划分成一定长度的样本，并将分类的数据通过智能轴承故障模型进行识别；模型每识别一类就算一次Task，在Task1中，模型需要学习N类并可以识别出N类与新类，此外，记忆池存储少量N类样本形成新的记忆池；在Task2中，模型需要学习A类，训练A类时并不直接使用A类数据，而是使用记忆池与A类构造出的插值实例，将插值实例输入对比学习特征提取器，可以提取出具有连续性特征，其包含着记忆池与A类通用、可共享的特征；再将特征输入KNN分类器，识别出属于N还是A类。