-
公开(公告)号：CN119646620A
公开(公告)日：2025-03-18
申请号：CN202411778869.9
申请日：2024-12-05
Applicant: 北京交通大学
IPC: G06F18/241 , G06F18/214 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/096 , G01M13/02 , G01M13/021 , G01M13/028 , G01R31/34
Abstract: 本发明涉及机械设备智能运维技术领域，具体涉及一种基于记忆子网络的机电复合传动系统自提升诊断方法，包括：构建包含健康类别预测网络、稳定信息记忆子网络和快速信息记忆子网络的自主提升故障诊断框架；在自主提升学习阶段，随机抽取故障诊断数据集A，并从已学习信息空间中随机抽取数据集B；利用两个子网络对数据集B进行预测，选取最佳回放logits；基于健康类别预测网络对数据集A和数据集B进行预测，得到两个logits；基于回放logits和健康类别预测网络的两个logits计算总损失，更新各网络的权重和已学习信息空间；进行多次自主提升学习，直至满足训练目标。本发明能够从不断新增的数据流中持续训练故障诊断网络，实现网络的自主提升。
-
公开(公告)号：CN119537867A
公开(公告)日：2025-02-28
申请号：CN202510105114.0
申请日：2025-01-23
Applicant: 北京交通大学
IPC: G06F18/20 , G06F18/2431 , G06N3/0464
Abstract: 本发明公开了一种基于动态核宽的机电复合传动系统健康状态辨识方法，属于机械设备智能运维技术领域，包括：获取机电复合传动系统数据集；搭建健康状态辨识网络框架；对所述辨识网络框架的各层参数进行初始化，并将稀疏卷积层的卷积核权重参数沿输出通道分为多个组，每个组对应一个搜索区域；前向传播并计算损失；动态核宽层卷积计算优化，稀疏函数训练优化；重复前向传播，损失计算，稀疏更新和梯度更新，直至迭代任务结束，获得对应的机电复合传动系统健康状态辨识模型；基于该模型实现对机电复合传动系统的健康状态辨识。该方法利用稀疏函数指导动态核宽层的卷积计算，并降低了训练的复杂度，实现了大感受野和低计算复杂度的平衡。
-
公开(公告)号：CN119538079A
公开(公告)日：2025-02-28
申请号：CN202510073921.9
申请日：2025-01-17
Applicant: 北京交通大学
IPC: G06F18/2413 , G06N3/082 , G06N3/0499 , G06F17/11
Abstract: 本发明涉及故障诊断技术领域，具体涉及一种基于动态权衡剪裁的智能故障诊断模型轻量化方法及系统，其中方法包括：确定待剪枝的机械设备故障诊断模型；构建目标优化函数；获取对单一层进行不同剪裁后的故障诊断模型输出失真；根据故障诊断模型输出失真的可加性对目标优化函数进行转化；采用动态规划方式对转化后的目标优化函数进行求解；在求解过程中，构建状态转移方程，搜索故障诊断模型所有层的输出失真；迭代剪裁过程，直至达到预设的剪裁迭代次数。本发明综合考虑了层间影响，可在短时间内搜索最优剪裁策略，实现模型的轻量化。
-
公开(公告)号：CN119494042A
公开(公告)日：2025-02-21
申请号：CN202411500710.0
申请日：2024-10-25
Applicant: 北京交通大学
IPC: G06F18/2415 , G06F18/2431 , G06F18/22 , G06F18/214
Abstract: 本发明涉及机器装备智能运维技术领域，具体涉及基于扩散过程二阶矩度量的传动系统低质少样本诊断方法，包括：获取含错误标签的机电复合传动系统故障诊断数据集，从中随机抽取样本得到核样本构造集和网络参数更新集；计算扩散过程二阶矩度量矩阵；计算核样本构造集中的每一种健康类别的核样本；基于分类器计算网络参数更新集中样本特征向量的扩散过程二阶矩度量矩阵与各种健康类别的核样本表示之间的相似度，根据相似度计算网络参数更新集中样本所属的健康类别概率；构建能衰减异常值影响的损失函数，对特征提取器和分类器进行迭代训练。本发明能够有效地在含有错误标签的小样本训练数据集中进行学习，获得良好的诊断性能。
-
公开(公告)号：CN119646620B
公开(公告)日：2025-05-20
申请号：CN202411778869.9
申请日：2024-12-05
Applicant: 北京交通大学
IPC: G06F18/241 , G06F18/214 , G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/096 , G01M13/02 , G01M13/021 , G01M13/028 , G01R31/34
Abstract: 本发明涉及机械设备智能运维技术领域，具体涉及一种基于记忆子网络的机电复合传动系统自提升诊断方法，包括：构建包含健康类别预测网络、稳定信息记忆子网络和快速信息记忆子网络的自主提升故障诊断框架；在自主提升学习阶段，随机抽取故障诊断数据集A，并从已学习信息空间中随机抽取数据集B；利用两个子网络对数据集B进行预测，选取最佳回放logits；基于健康类别预测网络对数据集A和数据集B进行预测，得到两个logits；基于回放logits和健康类别预测网络的两个logits计算总损失，更新各网络的权重和已学习信息空间；进行多次自主提升学习，直至满足训练目标。本发明能够从不断新增的数据流中持续训练故障诊断网络，实现网络的自主提升。
-
Patent Agency Ranking
公开(公告)号：CN119538079B
公开(公告)日：2025-05-09
申请号：CN202510073921.9
申请日：2025-01-17
Applicant: 北京交通大学
IPC: G06F18/2413 , G06N3/082 , G06N3/0499 , G06F17/11
Abstract: 本发明涉及故障诊断技术领域，具体涉及一种基于动态权衡剪裁的智能故障诊断模型轻量化方法及系统，其中方法包括：确定待剪枝的机械设备故障诊断模型；构建目标优化函数；获取对单一层进行不同剪裁后的故障诊断模型输出失真；根据故障诊断模型输出失真的可加性对目标优化函数进行转化；采用动态规划方式对转化后的目标优化函数进行求解；在求解过程中，构建状态转移方程，搜索故障诊断模型所有层的输出失真；迭代剪裁过程，直至达到预设的剪裁迭代次数。本发明综合考虑了层间影响，可在短时间内搜索最优剪裁策略，实现模型的轻量化。
-
公开(公告)号：CN119917919A
公开(公告)日：2025-05-02
申请号：CN202510413670.4
申请日：2025-04-03
Applicant: 北京交通大学
IPC: G06F18/241 , G06F18/23213 , G06F18/213 , G06N3/0464 , G06N3/084
Abstract: 本发明属于机械设备智能运维领域，公开了一种机电复合传动系统健康状态辨识网络的自提升方法，包括以下步骤：S1:利用数据集#imgabs0#对健康状态辨识网络进行训练，获得权重参数#imgabs1#；S2:冻结特征提取层的权重矩阵，并基于数据集#imgabs2#获得远端记忆样本#imgabs3#；S3:利用远端记忆样本#imgabs4#对线性层#imgabs5#的权重矩阵#imgabs6#进行分区转换，获得重构激活区#imgabs7#和重构休眠区#imgabs8#；S4:冻结重构激活区#imgabs9#，并利用数据集#imgabs10#更新重构休眠区#imgabs11#，获得线性层#imgabs12#的权重矩阵#imgabs13#；基于数据集#imgabs14#获得远端记忆样本#imgabs15#；S5:不断重复S3‑S4,获得自提升的健康状态辨识网络。本发明可以改善灾难性遗忘问题、避免少样本数据容易过拟合的问题、使健康状态辨识网络具有良好的辨识准确性。
-
公开(公告)号：CN117591888B
公开(公告)日：2024-04-12
申请号：CN202410064148.5
申请日：2024-01-17
Applicant: 北京交通大学
IPC: G06F18/214 , G06F18/241 , G06F18/213 , G06N3/0464
Abstract: 本发明涉及轨道交通设备故障诊断技术领域，具体涉及一种面向列车关键部件的集群自主学习故障诊断方法，包括：构建数据流阶层，设定多个边缘客户端和一个中心服务器；进入初始学习阶层，对各边缘端模型进行R轮集群协作训练，并聚合至中心服务器；进入自主学习阶层，构造各边缘客户端的局域损失函数；以局域损失函数作为学习准则，对各边缘端模型进行R轮集群协作训练，并聚合至中心服务器，中心服务器从全局视角选择R轮中的诊断准确率最高的模型作为本阶层的最优全局模型。本发明在云边协同的架构下，能够在保护数据隐私的前提下充分利用散落在边缘端的动态数据资源，实现集群自主训练。
-
公开(公告)号：CN117591888A
公开(公告)日：2024-02-23
申请号：CN202410064148.5
申请日：2024-01-17
Applicant: 北京交通大学
IPC: G06F18/214 , G06F18/241 , G06F18/213 , G06N3/0464
Abstract: 本发明涉及轨道交通设备故障诊断技术领域，具体涉及一种面向列车关键部件的集群自主学习故障诊断方法，包括：构建数据流阶层，设定多个边缘客户端和一个中心服务器；进入初始学习阶层，对各边缘端模型进行R轮集群协作训练，并聚合至中心服务器；进入自主学习阶层，构造各边缘客户端的局域损失函数；以局域损失函数作为学习准则，对各边缘端模型进行R轮集群协作训练，并聚合至中心服务器，中心服务器从全局视角选择R轮中的诊断准确率最高的模型作为本阶层的最优全局模型。本发明在云边协同的架构下，能够在保护数据隐私的前提下充分利用散落在边缘端的动态数据资源，实现集群自主训练。
-
公开(公告)号：CN117150377B
公开(公告)日：2024-02-02
申请号：CN202311439543.9
申请日：2023-11-01
Applicant: 北京交通大学
IPC: G06F18/2413 , G01R31/34 , G06F18/214 , G06F18/2415 , G06F18/213 , G06N3/0464 , G06N3/08 , G06N3/084
Abstract: 本发明涉及电机故障诊断技术领域，具体涉及一种基于全自主动机偏移的电机故障诊断阶梯式学习方法，包括多个学习阶段；在训练初始，收集电机的基础故障数据集样本，对特征提取器模型和故障分类器模型进行训练；将初始训练后的样本特征向量分为典型样本和非典型样本，对构造好的新型故障检测器模型进行训练，以识别新型故障；识别出新型故障后，进入高阶学习阶段；在动机偏移损失的指导下，利用带有新型故障的新训练数据集样本对上一学习阶段训练后的特征提取器模型和故障分类器模型进行训练；训练完成后，进入到下一学习阶段。本发明可自主地判别数据中是否出现新型故障，还在出现新故障时，对原有模型进行阶梯式学习，提高模型
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
