公开(公告)号：CN117828520A

公开(公告)日：2024-04-05

申请号：CN202311363476.7

申请日：2023-10-19

Applicant: 华南理工大学

Inventor： 黄敏 ,  尹靖涵 ,  严淑敏

IPC: G06F18/25 ,  G06F18/2415 ,  G06N3/0464 ,  G06N3/096 ,  G01M13/045

Abstract: 本发明公开了一种基于多源域深度迁移的变工况滚动轴承故障诊断方法，根据源域和目标域的相关度计算权重，基于权重构建相关度高的辅助源域，设计特征提取器隔离低相关源域信息的干扰，通过Wasserstein距离对齐分类器输出，并采用加权决策构建多源深度迁移学习模型。针对数据分布对齐错误的问题，利用模型训练前期和后期伪标签可靠性不同的特性，在模型训练前期通过MMD距离对齐源域和目标域的特征分布，在训练后期生成可信度高的伪标签，并引入LMMD距离和三元组损失更细粒度地对齐特征分布。本发明通过将迁移旧工况的知识向新工况迁移，以实现更可靠的变工况滚动轴承故障诊断。

公开(公告)号：CN117540335A

公开(公告)日：2024-02-09

申请号：CN202311293787.0

申请日：2023-10-08

Applicant: 华南理工大学

Inventor： 黄敏 ,  尹靖涵 ,  张昶

IPC: G06F18/25 ,  G06F18/213 ,  G01M13/045 ,  G06F18/22 ,  G06N3/044 ,  G06N3/047

Abstract: 本发明公开了一种基于DS证据理论决策级融合的滚动轴承故障诊断方法，包括确认故障空间、振动信号采集和特征提取、初始证据体生成、证据预处理、信度合成和诊断决策；本发明利用DS证据理论缓解多源信息不确定程度，通过引入证据距离算法和Deng熵修正原始证据体，通过衡量ELMAN神经网络、BP神经网络以及概率神经网络生成的证据体可信度以减少证据冲突程度，从决策层面实现更加可靠准确的滚动轴承故障诊断。本发明选择无需建立电气连接的振动分析法，适用场景多元，同时在证据体来源上保持可扩展性，也可以同时考虑客观数据和人的主观经验，通过信息融合得到最终的可靠结论。