-
公开(公告)号：CN118013289B
公开(公告)日：2024-07-16
申请号：CN202410417801.1
申请日：2024-04-09
Applicant: 北京理工大学 , 北京理工大学唐山研究院
IPC: G06F18/214 , G06F18/2135 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品，涉及机械故障诊断技术领域，所述方法包括：获取待诊断设备多种工况下的多种故障类型下的多传感器信号，对各故障类型下的多传感器信号进行稀疏主成分分析、随机采样和归一化，得到对应故障类型下的融合图像；基于各故障类型下的融合图像，构建源域数据集和目标域数据集；利用源域数据集对二维元卷积神经网络进行训练，得到元迁移诊断模型；利用目标域支持集对元迁移诊断模型进行微调，得到微调后的元迁移诊断模型；利用微调后的元迁移诊断模型对目标域查询集进行诊断，得到对应的故障诊断结果。实现了变工况小样本下设备的状态监测和故障诊断。
-
公开(公告)号：CN117407784B
公开(公告)日：2024-03-12
申请号：CN202311703611.8
申请日：2023-12-13
Applicant: 北京理工大学 , 北京理工大学唐山研究院
IPC: G06F18/2413 , G01M99/00 , G06F18/2411 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明公开一种面向传感器数据异常的旋转机械智能故障诊断方法及系统，涉及机械故障诊断技术领域。首先，本发明引入绝对最近邻方法来验证训练数据集中的非故障异常样本并筛除这类样本数据，进而能够有效降低非故障异常数据对故障诊断的影响；其次，本发明构建了一种预测生成对抗网络，以在数据缺失情况下对数据进行补全；与此同时将L2范数正则化集成到预测生成对抗网络的损失函数中，提高模型的鲁棒性。基于此，该方法能够有效解决传感器数据缺失和异常情况下的旋转机械状态监测和故障诊断。
-
公开(公告)号：CN118013289A
公开(公告)日：2024-05-10
申请号：CN202410417801.1
申请日：2024-04-09
Applicant: 北京理工大学 , 北京理工大学唐山研究院
IPC: G06F18/214 , G06F18/2135 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于信息融合元迁移学习的变工况小样本故障诊断方法、装置、介质及产品，涉及机械故障诊断技术领域，所述方法包括：获取待诊断设备多种工况下的多种故障类型下的多传感器信号，对各故障类型下的多传感器信号进行稀疏主成分分析、随机采样和归一化，得到对应故障类型下的融合图像；基于各故障类型下的融合图像，构建源域数据集和目标域数据集；利用源域数据集对二维元卷积神经网络进行训练，得到元迁移诊断模型；利用目标域支持集对元迁移诊断模型进行微调，得到微调后的元迁移诊断模型；利用微调后的元迁移诊断模型对目标域查询集进行诊断，得到对应的故障诊断结果。实现了变工况小样本下设备的状态监测和故障诊断。
-
公开(公告)号：CN117407784A
公开(公告)日：2024-01-16
申请号：CN202311703611.8
申请日：2023-12-13
Applicant: 北京理工大学 , 北京理工大学唐山研究院
IPC: G06F18/2413 , G01M99/00 , G06F18/2411 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本发明公开一种面向传感器数据异常的旋转机械智能故障诊断方法及系统，涉及机械故障诊断技术领域。首先，本发明引入绝对最近邻方法来验证训练数据集中的非故障异常样本并筛除这类样本数据，进而能够有效降低非故障异常数据对故障诊断的影响；其次，本发明构建了一种预测生成对抗网络，以在数据缺失情况下对数据进行补全；与此同时将L2范数正则化集成到预测生成对抗网络的损失函数中，提高模型的鲁棒性。基于此，该方法能够有效解决传感器数据缺失和异常情况下的旋转机械状态监测和故障诊断。
-
公开(公告)号：CN120042889A
公开(公告)日：2025-05-27
申请号：CN202510358267.6
申请日：2025-03-25
Applicant: 北京理工大学
IPC: F16F15/02 , F16F15/023 , F16F15/04 , B62D55/108 , B62D55/112 , B62D55/14
Abstract: 本发明提供一种减振装置以及悬挂系统，包括一级弹性件以及减振器，一级弹性件的一端用于与振动负载连接；减振器包括并联设置的二级弹性件和阻尼元件，二级弹性件的一端、阻尼元件的一端均与一级弹性件的另一端连接，二级弹性件的另一端、阻尼元件的另一端均与连接体连接；本发明中的减振装置、悬挂系统中一级弹性件与减振器串联使用，一级弹性件对振动负载的振动能量直接进行吸收蓄能，并将其中的高频率段振动能量进行抵消，然后将此已经得到衰减的振动能量传递至减振器，减振器中的二级弹性件和阻尼元件协同作用，对此部分能量进行消耗，实现缓冲减振的目的，也显著提高减振器的最佳工作时长和持续减振效能。
-
Patent Agency Ranking
公开(公告)号：CN119128633A
公开(公告)日：2024-12-13
申请号：CN202411135698.8
申请日：2024-08-19
Applicant: 北京理工大学
IPC: G06F18/241 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094
Abstract: 本申请公开的一种面向数据不平衡的机械智能故障诊断方法、系统、设备、介质及产品，涉及机械故障诊断领域。首先，本申请构建了一种由随机采样模块、生成模块和泛化模块组成的泛化分类正则化生成对抗网络；其次，使用原始振动数据作为生成器输入以加速生成器训练过程；此外，引入正则化损失项到鉴别器损失函数中，以稳定极少数据输入下生成对抗网络的训练过程；最后，开发分类器模块区分原始样本与生成样本以利于故障分类。本申请仅利用少量数据即可高效地生成强泛化性样本，适用于训练数据不足或训练数据不平衡的智能故障诊断场景，以提高智能故障诊断方法性能、效率和适应性。
-
公开(公告)号：CN116502073A
公开(公告)日：2023-07-28
申请号：CN202310762823.7
申请日：2023-06-27
Applicant: 北京理工大学
IPC: G06F18/213 , G06F18/10 , G06F18/2415
Abstract: 一种风力发电机组高可信智能故障诊断与健康管理方法。该方法基于风力发电机组的多源传感器采集信号，引入贝叶斯深度学习用于智能故障诊断模型构建，通过变分推断的方式获取模型参数在现有故障数据条件下的后验分布；最后对贝叶斯模型输出结果进行不确定性分析，根据随机不确定性和模型不确定性判断智能决策结果的可信性。本公开实现了风力发电机组高可信智能故障诊断与健康管理，极大程度缓解了智能模型作为“黑盒模型”带来的负面效应，能够有效提升智能模型在工程实际中的应用能力。
-
公开(公告)号：CN116502072A
公开(公告)日：2023-07-28
申请号：CN202310762811.4
申请日：2023-06-27
Applicant: 北京理工大学
IPC: G06F18/213 , G06N3/0464 , G06N3/048 , G06N3/08 , G06F18/241
Abstract: 一种复杂变工况下风力发电机组关键部件鲁棒故障诊断方法，主要步骤包括：通过关键部件传感器获取部件运行监测数据；构建多尺度深度学习模型，自主捕获复杂变工况场景下数据中蕴含的装备健康状态信息，获得风机部件健康状态的多尺度深度特征表示模型；引入有监督对比学习优化目标，对不同风机故障类型数据特征的对比，感知诊断关键信息，降低工况变化干扰，提高智能诊断结果鲁棒性；通过改进的Adam优化算法更新模型参数；最后，将训练完成的模型用于实际故障诊断任务中。该方法能够克服风力发电机组实际运行过程中复杂变工况致使的数据分布漂移，提高诊断结果的鲁棒性，对高效可靠的风力发电装备运维与风能利用具有良好的应用价值。
-
公开(公告)号：CN119513721A
公开(公告)日：2025-02-25
申请号：CN202411554637.5
申请日：2024-11-04
Applicant: 北京理工大学
IPC: G06F18/2415 , G01M13/00 , G06F18/25 , G06F18/2135 , G06F18/15 , G06N3/0464 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/088 , G06N3/096 , G06F123/02 , G06N3/048
Abstract: 本申请公开了一种用于旋转机械迁移诊断的无监督多源信息域自适应方法、设备、介质及产品，涉及机械故障诊断领域。该方法包括：获取多源信息；将多源信息融合并压缩为单一融合样本；构建信息融合增强的域自适应自注意力网络迁移学习模型；将单一融合样本输入信息融合增强的域自适应自注意力网络迁移学习模型，得到旋转机械的迁移诊断结果。本申请能够解决已知多源信息域自适应方法中存在的负迁移、信息丢失和高计算负担等问题。
-
公开(公告)号：CN118940172A
公开(公告)日：2024-11-12
申请号：CN202410981340.0
申请日：2024-07-22
Applicant: 北京理工大学
IPC: G06F18/2433 , G01M7/02 , G01M13/00 , G01M99/00 , G06F18/25 , G06N3/0464 , G06N3/0475 , G06N3/045 , G06N3/049
Abstract: 本申请公开的一种基于多模态数据插补与融合的可信机械故障诊断方法、系统、设备及介质，涉及电数字数据处理领域，该方法包括：按照待诊断机械设备的运行周期从振动数据和电流数据中分别截取得到振动信号和电流信号；将训练好的L2时空生成对抗插补网络作为数据插补模型，将训练好的多输入单输出自编码器作为数据融合模型；将振动信号和电流信号输入至数据插补模型，得到振动信号插补数据和电流信号插补数据后，将得到的插补数据输入至数据融合模型，得到融合数据；构建故障诊断模型，并将融合数据输入至故障诊断模型，得到待诊断机械设备的故障诊断结果。本申请通过考虑数据长期依赖关系，并综合利用多模态信息的数据插补与融合方法，能够实现机械设备的可信故障诊断。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
