-
公开(公告)号：CN119128551B
公开(公告)日：2025-03-25
申请号：CN202411621782.0
申请日：2024-11-14
Applicant: 南京信息工程大学
IPC: G06F18/22 , G06F18/214 , G06F18/24 , G06F18/10 , G06N3/0442 , G06N3/08 , G01M13/045
Abstract: 本发明公开了一种基于时序特征线性调制智能超采样的故障诊断方法，通过对信号采样率的提升，补充高频段细节，增强故障诊断性能。步骤包括：获得原始振动信号。对原始振动信号进行预处理，通过降采样得到低采样率信号。配对低采样率信号和原始振动信号，用于智能超采样网络训练。构建超采样率模型，实现超采样率信号的预测输出。构建故障诊断模型，学习信号故障分类的特征。将训练集输入超采样率故障诊断模型对模型进行训练。将振动信号输入训练好的模型，得到超采样率信号，对超采样率信号进行分类，得到其健康状态类型。本发明的故障诊断模型更好地解决了在面对低采样率信号时诊断性能较差的难题同时较为真实地恢复了信号的高频信息。
-
公开(公告)号：CN119128551A
公开(公告)日：2024-12-13
申请号：CN202411621782.0
申请日：2024-11-14
Applicant: 南京信息工程大学
IPC: G06F18/22 , G06F18/214 , G06F18/24 , G06F18/10 , G06N3/0442 , G06N3/08 , G01M13/045
Abstract: 本发明公开了一种基于时序特征线性调制智能超采样的故障诊断方法，通过对信号采样率的提升，补充高频段细节，增强故障诊断性能。步骤包括：获得原始振动信号。对原始振动信号进行预处理，通过降采样得到低采样率信号。配对低采样率信号和原始振动信号，用于智能超采样网络训练。构建超采样率模型，实现超采样率信号的预测输出。构建故障诊断模型，学习信号故障分类的特征。将训练集输入超采样率故障诊断模型对模型进行训练。将振动信号输入训练好的模型，得到超采样率信号，对超采样率信号进行分类，得到其健康状态类型。本发明的故障诊断模型更好地解决了在面对低采样率信号时诊断性能较差的难题同时较为真实地恢复了信号的高频信息。
-
公开(公告)号：CN118760985B
公开(公告)日：2024-11-26
申请号：CN202411255717.0
申请日：2024-09-09
Applicant: 南京信息工程大学
IPC: G06F18/2415 , G06F18/25 , G06F18/214 , G06F18/213 , G06F18/20 , G01M7/02
Abstract: 本发明公开了一种基于蒸馏学习与特征融合的变工况智能故障诊断方法，包括：第一步，对振动信号进行幅相增强得到增强信号。第二步，将增强信号输入蒸馏学习模块中得到增强特征。第三步，对经过快速傅里叶变换的振动信号提取频域特征。第四步，原始的振动信号输入时域特征提取模块，根据增强特征，通过知识蒸馏方法提取域不变特征。第五步，将增强特征、时域特征以及频域特征进行拼接后通过表征自挑战学习增强特征跨域泛化能力，并将特征送入到分类器中进行分类。第六步，将故障信号输入训练好的网络进行诊断。本发明提取并融合更为丰富的特征，强化模型对于域不变表示的学习，相较于现有模型泛化性能显著增强。
-
公开(公告)号：CN118760985A
公开(公告)日：2024-10-11
申请号：CN202411255717.0
申请日：2024-09-09
Applicant: 南京信息工程大学
IPC: G06F18/2415 , G06F18/25 , G06F18/214 , G06F18/213 , G06F18/20 , G01M7/02
Abstract: 本发明公开了一种基于蒸馏学习与特征融合的变工况智能故障诊断方法，包括：第一步，对振动信号进行幅相增强得到增强信号。第二步，将增强信号输入蒸馏学习模块中得到增强特征。第三步，对经过快速傅里叶变换的振动信号提取频域特征。第四步，原始的振动信号输入时域特征提取模块，根据增强特征，通过知识蒸馏方法提取域不变特征。第五步，将增强特征、时域特征以及频域特征进行拼接后通过表征自挑战学习增强特征跨域泛化能力，并将特征送入到分类器中进行分类。第六步，将故障信号输入训练好的网络进行诊断。本发明提取并融合更为丰富的特征，强化模型对于域不变表示的学习，相较于现有模型泛化性能显著增强。
-
-
-
Search Results
4
records
(took 0.019 seconds)
