-
公开(公告)号：CN109635677A
公开(公告)日：2019-04-16
申请号：CN201811406982.9
申请日：2018-11-23
Applicant: 华南理工大学
CPC classification number: G06K9/00523 , G06K9/00536 , G06N3/0454 , G06N3/0481 , G06N3/08
Abstract: 本发明公开了一种基于多标签分类卷积神经网络的复合故障诊断方法及装置，所述方法包括步骤：步骤1：采集并提取单一故障和复合故障工况下的振动加速度信号样本；步骤2：对于每个样本按类型给定标签后划分为训练集和测试集；步骤3：搭建深层一维卷积神经网络，设置Sigmoid激活函数和边界损失函数Margin Loss；步骤4：直接将训练集振动数据输入搭建的深层一维卷积神经网络中进行训练；步骤5：通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。本发明使分类器自适应地为复合故障输出多个标签，不但故障诊断精度高，且能克服传统分类器只能输出一个标签的局限性，实现对复合故障的诊断。
-
Patent Agency Ranking
公开(公告)号：CN109635677B
公开(公告)日：2022-12-16
申请号：CN201811406982.9
申请日：2018-11-23
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于多标签分类卷积神经网络的复合故障诊断方法及装置，所述方法包括步骤：步骤1：采集并提取单一故障和复合故障工况下的振动加速度信号样本；步骤2：对于每个样本按类型给定标签后划分为训练集和测试集；步骤3：搭建深层一维卷积神经网络，设置Sigmoid激活函数和边界损失函数Margin Loss；步骤4：直接将训练集振动数据输入搭建的深层一维卷积神经网络中进行训练；步骤5：通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。本发明使分类器自适应地为复合故障输出多个标签，不但故障诊断精度高，且能克服传统分类器只能输出一个标签的局限性，实现对复合故障的诊断。
-
公开(公告)号：CN111397902B
公开(公告)日：2021-10-26
申请号：CN202010204597.7
申请日：2020-03-22
Applicant: 华南理工大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法，包括以下步骤：（1）获取滚动轴承多种健康状态下的加速度信号，将信号制作成等长样本并给定健康状态标签；（2）将样本划分为训练集和测试集，并以各类别权重平衡原则为训练集中的所有样本设定样本权重；（3）搭建特征对齐卷积神经网络，包括：特征对齐结构，特征映射层以及分类器，所述特征对齐结构包括单步多尺度卷积层和整周期最大池化层；（4）使用训练集中的样本对构建的网络进行加权训练，使用选优策略获取训练好的模型；（5）将测试集样本输入训练好的网络，得到诊断结果。本发明采用特征对齐结构，可以使网络模型学习到更加鲁棒的特征，从而提高模型的泛化性能。
-
公开(公告)号：CN109655259A
公开(公告)日：2019-04-19
申请号：CN201811406372.9
申请日：2018-11-23
Applicant: 华南理工大学
IPC: G01M13/021 , G01M13/028 , G01M13/045
Abstract: 本发明公开了一种基于深度解耦卷积神经网络的复合故障诊断方法及装置其中方法包括步骤：步骤一：数据集的采集与标定，分别采集旋转机械单一及复合故障实验工况下的振动加速度信号得到若干样本分别组成训练集和测试集，并分别设定类别标签；步骤二：搭建一维深度卷积神经网络模型；步骤三：在keras框架下构建具有多标签输出特性的解耦分类器；步骤四：网络模型的训练，最终获得最优的深度解耦卷积神经网络模型；步骤五：复合故障的智能诊断与分类，输出得到复合故障的实时诊断结果。本发明在只使用单一故障信号来训练深度解耦网络模型的前提下提取复合故障信号中各单一故障特征，并通过解耦分类器实现复合故障的解耦与分类。
-
公开(公告)号：CN109655259B
公开(公告)日：2021-02-19
申请号：CN201811406372.9
申请日：2018-11-23
Applicant: 华南理工大学
IPC: G01M13/021 , G01M13/028 , G01M13/045
Abstract: 本发明公开了一种基于深度解耦卷积神经网络的复合故障诊断方法及装置其中方法包括步骤：步骤一：数据集的采集与标定，分别采集旋转机械单一及复合故障实验工况下的振动加速度信号得到若干样本分别组成训练集和测试集，并分别设定类别标签；步骤二：搭建一维深度卷积神经网络模型；步骤三：在keras框架下构建具有多标签输出特性的解耦分类器；步骤四：网络模型的训练，最终获得最优的深度解耦卷积神经网络模型；步骤五：复合故障的智能诊断与分类，输出得到复合故障的实时诊断结果。本发明在只使用单一故障信号来训练深度解耦网络模型的前提下提取复合故障信号中各单一故障特征，并通过解耦分类器实现复合故障的解耦与分类。
-
公开(公告)号：CN111397902A
公开(公告)日：2020-07-10
申请号：CN202010204597.7
申请日：2020-03-22
Applicant: 华南理工大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本申请公开了一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法，包括以下步骤：（1）获取滚动轴承多种健康状态下的加速度信号，将信号制作成等长样本并给定健康状态标签；（2）将样本划分为训练集和测试集，并以各类别权重平衡原则为训练集中的所有样本设定样本权重；（3）搭建特征对齐卷积神经网络，包括：特征对齐结构，特征映射层以及分类器，所述特征对齐结构包括单步多尺度卷积层和整周期最大池化层；（4）使用训练集中的样本对构建的网络进行加权训练，使用选优策略获取训练好的模型；（5）将测试集样本输入训练好的网络，得到诊断结果。本发明采用特征对齐结构，可以使网络模型学习到更加鲁棒的特征，从而提高模型的泛化性能。
-
-
-
-
-
Search Results
6
records
(took 0.015 seconds)
