-
Patent Agency Ranking
公开(公告)号：CN113673346A
公开(公告)日：2021-11-19
申请号：CN202110818587.7
申请日：2021-07-20
Applicant: 中国矿业大学
Abstract: 本发明提出了一种基于多尺度SE‑Resnet的电机振动数据处理与状态识别方法，涉及故障诊断领域，首先，利用变分自编码器VAE对输入原始振动信号的特征概率分布进行学习，通过采样重构隐含变量作为深度特征，其次，将深度特征输入多尺度注意力残差网络SE‑Resnet，通过对不同尺度核的卷积特征的融合，输出多尺度特征，来提升输出特征空间的抗噪能力；最后，采用随机森林RF作为电机故障分类器，将得到的多尺度特征输入RF分类器中，实现电机故障状态识别。本发明所提出的方法可以利用多尺度特征提升模型识别精度的，能够减少对专家知识的依赖，尤其是提升模型在电机变工况和噪声干扰情况下的识别准确率，符合现实生产过程中的实际需要。
-
公开(公告)号：CN113159226B
公开(公告)日：2021-11-16
申请号：CN202110537216.1
申请日：2021-05-18
Applicant: 中国矿业大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G01R31/54 , G01R31/327
Abstract: 本发明公开了一种深度特征和统计特征融合的逆变器故障诊断方法，首先采用SE‑DenseNet方法提取逆变器三相输出电流信号的深度特征，并利用希尔伯特黄变换HHT方法提取电流信号样本的统计特征，将深度特征和统计特征进行组合；其次，利用局部Fisher判别分析算法LFDA对组合的高维特征进行降维，得到能够表达逆变器故障特征的低维特征，实现深度特征与统计特征的融合；最后，采用极限学习机ELM分类器，以低维特征为输入实现三电平逆变器故障状态识别。相比于传统的诊断方法，本发明所提出的诊断方法故障识别准确率更高，在不同工况下的故障诊断能够取得理想的性能，对实际工业场景具有更强的适应能力和泛化能力。
-
公开(公告)号：CN113673346B
公开(公告)日：2022-07-22
申请号：CN202110818587.7
申请日：2021-07-20
Applicant: 中国矿业大学
Abstract: 本发明提出了一种基于多尺度SE‑Resnet的电机振动数据处理与状态识别方法，涉及故障诊断领域，首先，利用变分自编码器VAE对输入原始振动信号的特征概率分布进行学习，通过采样重构隐含变量作为深度特征，其次，将深度特征输入多尺度注意力残差网络SE‑Resnet，通过对不同尺度核的卷积特征的融合，输出多尺度特征，来提升输出特征空间的抗噪能力；最后，采用随机森林RF作为电机故障分类器，将得到的多尺度特征输入RF分类器中，实现电机故障状态识别。本发明所提出的方法可以利用多尺度特征提升模型识别精度的，能够减少对专家知识的依赖，尤其是提升模型在电机变工况和噪声干扰情况下的识别准确率，符合现实生产过程中的实际需要。
-
公开(公告)号：CN117932390A
公开(公告)日：2024-04-26
申请号：CN202311450367.9
申请日：2023-11-03
Applicant: 中国矿业大学
IPC: G06F18/24 , G01M13/04 , G01M13/045 , G06F18/25 , G06F18/15 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种基于注意力机制与DCGAN融合的振动信号分析诊断方法，涉及故障诊断领域；首先设计一种适用于振动信号的无损、可逆的信号‑图像处理方法，将振动信号转换为振动图像；然后为了让模型更关注振动信号中的重要信息，采用混合注意力机制从通道和空间维度增强数据表现力，给予输入样本中的故障特征信息更高的权重；最后，利用注意力机制和DCGAN网络学习振动图像中的故障特征，生成具备真实故障特性的生成样本，提高深度生成对抗网络的特征提取能力，进而指导故障诊断模型训练。本发明所提出的故障诊断方法通过在MFS‑RDS数据集设计的故障诊断任务证明了本发明对不平衡数据集增广方法的可行性和有效性，在样本不平衡的情况下诊断准确率良好。
-
公开(公告)号：CN113159226A
公开(公告)日：2021-07-23
申请号：CN202110537216.1
申请日：2021-05-18
Applicant: 中国矿业大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G01R31/54 , G01R31/327
Abstract: 本发明公开了一种深度特征和统计特征融合的逆变器故障诊断方法，首先采用SE‑DenseNet方法提取逆变器三相输出电流信号的深度特征，并利用希尔伯特黄变换HHT方法提取电流信号样本的统计特征，将深度特征和统计特征进行组合；其次，利用局部Fisher判别分析算法LFDA对组合的高维特征进行降维，得到能够表达逆变器故障特征的低维特征，实现深度特征与统计特征的融合；最后，采用极限学习机ELM分类器，以低维特征为输入实现三电平逆变器故障状态识别。相比于传统的诊断方法，本发明所提出的诊断方法故障识别准确率更高，在不同工况下的故障诊断能够取得理想的性能，对实际工业场景具有更强的适应能力和泛化能力。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
