-
公开(公告)号：CN114358124A
公开(公告)日：2022-04-15
申请号：CN202111470695.6
申请日：2021-12-03
Applicant: 华南理工大学
Abstract: 本发明公开了基于深度对抗卷积神经网络的旋转机械新故障诊断方法，包括步骤：构建源域样本数据集和目标域样本数据集；构建用于识别已知故障以及新故障的深度对抗卷积神经网络，包括特征提取器G，标签分类器CF，领域判别器D，非对抗领域判别器；在训练阶段，通过特征提取模块将源域与目标域数据映射到高维特征空间中，获取数据特征分布；设计一种加权判别机制，评估目标域样本数据与源域数据的相似程度，判别数据的可迁移性；将目标域测试数据输入到训练好的网络中测试，通过计算所得权重值判别数据是否属于新故障类别，输出最终的分类诊断结果。通过加权对抗训练和目标域测试样本权重阈值选取，使得构建的网络适用于变工况下的已知故障和新故障检测。
-
公开(公告)号：CN114358125A
公开(公告)日：2022-04-15
申请号：CN202111470717.9
申请日：2021-12-03
Applicant: 华南理工大学
Abstract: 本发明公开一种基于多源信息深度融合的旋转机械故障自动识别方法，包括步骤：采集多个不同机械设备或者不同运行工况下的振动加速度信号，构建多源域数据，从另外的机械设备或者运行工况获得无标签的故障样本，构建目标域数据；构建针对旋转机械故障自动识别的包括特征提取器、多标签对抗分类器、标签信息先验学习器和非对抗领域判别器的多源信息深度融合诊断模型；对网络结构参数联合优化训练，构建自适应权重函数，对多标签对抗分类器进行加权训练；将测试数据输入多标签对抗分类器中，输出已知类和未知类故障的诊断结果。本发明对多源数据进行融合，同时通过多源信息深度融合网络利用加权学习机制进行对抗训练，实现已知类和新故障的识别。
-
Patent Agency Ranking
公开(公告)号：CN114358123A
公开(公告)日：2022-04-15
申请号：CN202111470692.2
申请日：2021-12-03
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于深度对抗迁移网络的广义开放集故障诊断方法，包括步骤：分别采集旋转机械在某工况下的带有标签样本的原始振动信号，同时从不同的运行工况获得无标签的故障样本，构建源域和目标域样本集；构建具有双加权机制的深度对抗迁移网络，包括特征提取器、领域判别器、非对抗领域判别器和多分类集成学习器；利用源域数据集采用梯度下降法对特征提取器的参数以及多分类集成学习器的参数进行联合优化训练；通过对偶权重进行加权训练；通过计算所得权重值判别数据是否属于新故障类别，输出最终诊断结果。本发明通过深度对抗迁移网络，利用双加权机制减少源域和目标域新故障类别对特征匹配的影响，实现对广义的开放集新故障任务诊断。
-
公开(公告)号：CN114358123B
公开(公告)日：2024-04-26
申请号：CN202111470692.2
申请日：2021-12-03
Applicant: 华南理工大学
IPC: G06F18/2431 , G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/094 , G06Q10/20 , G06Q50/04
Abstract: 本发明公开了一种基于深度对抗迁移网络的广义开放集故障诊断方法，包括步骤：分别采集旋转机械在某工况下的带有标签样本的原始振动信号，同时从不同的运行工况获得无标签的故障样本，构建源域和目标域样本集；构建具有双加权机制的深度对抗迁移网络，包括特征提取器、领域判别器、非对抗领域判别器和多分类集成学习器；利用源域数据集采用梯度下降法对特征提取器的参数以及多分类集成学习器的参数进行联合优化训练；通过对偶权重进行加权训练；通过计算所得权重值判别数据是否属于新故障类别，输出最终诊断结果。本发明通过深度对抗迁移网络，利用双加权机制减少源域和目标域新故障类别对特征匹配的影响，实现对广义的开放集新故障任务诊断。
-
公开(公告)号：CN114358125B
公开(公告)日：2024-03-22
申请号：CN202111470717.9
申请日：2021-12-03
Applicant: 华南理工大学
IPC: G06F18/2431 , G06F18/214 , G06F18/25 , G06N3/045 , G06N3/084 , G06N3/094 , G06N3/096 , G06Q10/20 , G06Q50/04
Abstract: 本发明公开一种基于多源信息深度融合的旋转机械故障自动识别方法，包括步骤：采集多个不同机械设备或者不同运行工况下的振动加速度信号，构建多源域数据，从另外的机械设备或者运行工况获得无标签的故障样本，构建目标域数据；构建针对旋转机械故障自动识别的包括特征提取器、多标签对抗分类器、标签信息先验学习器和非对抗领域判别器的多源信息深度融合诊断模型；对网络结构参数联合优化训练，构建自适应权重函数，对多标签对抗分类器进行加权训练；将测试数据输入多标签对抗分类器中，输出已知类和未知类故障的诊断结果。本发明对多源数据进行融合，同时通过多源信息深度融合网络利用加权学习机制进行对抗训练，实现已知类和新故障的识别。
-
公开(公告)号：CN114358124B
公开(公告)日：2024-03-15
申请号：CN202111470695.6
申请日：2021-12-03
Applicant: 华南理工大学
IPC: G06F18/241 , G06F18/214 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 本发明公开了基于深度对抗卷积神经网络的旋转机械新故障诊断方法，包括步骤：构建源域样本数据集和目标域样本数据集；构建用于识别已知故障以及新故障的深度对抗卷积神经网络，包括特征提取器G，标签分类器CF，领域判别器D，非对抗领域判别器；在训练阶段，通过特征提取模块将源域与目标域数据映射到高维特征空间中，获取数据特征分布；设计一种加权判别机制，评估目标域样本数据与源域数据的相似程度，判别数据的可迁移性；将目标域测试数据输入到训练好的网络中测试，通过计算所得权重值判别数据是否属于新故障类别，输出最终的分类诊断结果。通过加权对抗训练和目标域测试样本权重阈值选取，使得构建的网络适用于变工况下的已知故障和新故障检测。
-
公开(公告)号：CN117171666A
公开(公告)日：2023-12-05
申请号：CN202310964501.0
申请日：2023-08-01
Applicant: 华南理工大学
IPC: G06F18/2415 , G06F18/10 , G06F18/214 , G06F18/213 , G06N3/08 , G06N3/084 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/09 , G06N3/0895
Abstract: 本发明公开了一种新故障和复合故障协同诊断方法、装置和存储介质，属于机械制造技术领域。其中方法包括：构建训练和测试数据集，利用安装在机械装备上的加速度传感器采集机械装备不同工况下的振动信号数据；构建包含特征提取器、域判别器、新故障检测器和复合故障分类器的训练模型；优化模型参数，基于协同训练策略，融合对抗域自适应、开放域自适应、伪标签学习技术，构建多任务学习框架，使故障诊断模型获得最优网络参数；已知故障、新故障和复合故障的协同诊断，使用训练完备的特征提取器和复合故障分类器构建测试模型，同时实现已知故障诊断、新故障检测和复合故障解耦任务。本发明能够同时实现已知故障诊断、新故障检测和复合故障解耦。
-
-
-
-
-
-
Search Results
7
records
(took 0.022 seconds)
