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

Inventor： 王彪 ,  申泽林 ,  秦勇 ,  李媛 ,  伊枭剑 ,  徐其志

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

Inventor： 王彪 ,  申泽林 ,  伊枭剑 ,  秦勇 ,  徐其志

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：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

Inventor： 王彪 ,  申泽林 ,  秦勇 ,  李媛 ,  伊枭剑 ,  徐其志

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：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

Inventor： 王彪 ,  申泽林 ,  伊枭剑 ,  许涛 ,  徐其志 ,  秦勇

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。