-
公开(公告)号：CN117932413A
公开(公告)日：2024-04-26
申请号：CN202410340224.0
申请日：2024-03-25
Applicant: 南京信息工程大学
IPC: G06F18/24 , G06F18/213 , G06F18/214 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，针对域偏移以及目标域故障样本稀缺的场景。该方法包括如下步骤：第一步，通过一维循环一致性对抗生成网络，利用源域样本以及目标域正常状态样本生成辅助训练样本。第二步，通过源域样本及辅助训练样本构建新训练集。第三步，通过训练数据来训练特征提取器，获得原始特征。第四步，通过特征筛选进一步获得处理后特征。第五步，对处理后特征进行分类，并对子模型的输出进行分布对齐。第六步，将故障信号输入训练好的网络进行诊断。本发明的变工况下基于风格迁移的高泛化性机器故障智能诊断方法更好地实现了变工况目标域故障样本缺失场景下的智能诊断。
-
Patent Agency Ranking
公开(公告)号：CN118779730A
公开(公告)日：2024-10-15
申请号：CN202411276744.6
申请日：2024-09-12
Applicant: 南京信息工程大学
IPC: G06F18/241 , G06F18/22 , G06N3/0895
Abstract: 本发明公开了一种设备未知工况下基于自监督单域泛化的故障诊断方法，通过自监督对比学习框架，提取振动信号特征，解决了现有诊断模型在复杂工况中泛化能力不足的问题。该方法包括以下步骤：获得轴承振动信号数据。预处理振动信号，分割训练集和测试集。构建数据增强库。构建自监督学习框架，以对比为目标解决实例分类问题。对振动信号进行数据增强。使用动量对比对模型进行训练，得到特征提取器并微调。应用训练好的模型对新振动信号进行分类，得到其健康状态类型。本发明降低了获取故障标签的成本，提升了诊断模型在复杂工况中的适用性。
-
公开(公告)号：CN119128611B
公开(公告)日：2025-04-29
申请号：CN202411612985.3
申请日：2024-11-13
Applicant: 南京信息工程大学
IPC: G06F18/24 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0895
Abstract: 本发明公开了一种基于不平衡无标签监测数据自监督的智能故障诊断方法，第一步，准备大量无标签数据作为自监督训练数据，准备有标签数据，并分割为有监督训练数据和测试数据；第二步，基于三种增强方法的无标签数据增强；第三步，构建包含特征提取和特征映射的自监督网络；第四步，通过逆注意力挑选稀少类别数据对应特征；第五步，基于挑选特征进行噪声对比估计损失函数设计，并优化自监督网络；第六步，基于自监督预训练后的特征提取网络，通过少量有标签故障数据进行诊断网络的调整；第七步，将监测信号输入上述训练好的网络。本发明更契合实际监测数据无健康状态标签与类型不平衡问题，提高了现有故障诊断网络的诊断能力。
-
公开(公告)号：CN119128611A
公开(公告)日：2024-12-13
申请号：CN202411612985.3
申请日：2024-11-13
Applicant: 南京信息工程大学
IPC: G06F18/24 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0895
Abstract: 本发明公开了一种基于不平衡无标签监测数据自监督的智能故障诊断方法，第一步，准备大量无标签数据作为自监督训练数据，准备有标签数据，并分割为有监督训练数据和测试数据；第二步，基于三种增强方法的无标签数据增强；第三步，构建包含特征提取和特征映射的自监督网络；第四步，通过逆注意力挑选稀少类别数据对应特征；第五步，基于挑选特征进行噪声对比估计损失函数设计，并优化自监督网络；第六步，基于自监督预训练后的特征提取网络，通过少量有标签故障数据进行诊断网络的调整；第七步，将监测信号输入上述训练好的网络。本发明更契合实际监测数据无健康状态标签与类型不平衡问题，提高了现有故障诊断网络的诊断能力。
-
公开(公告)号：CN117932413B
公开(公告)日：2024-06-11
申请号：CN202410340224.0
申请日：2024-03-25
Applicant: 南京信息工程大学
IPC: G06F18/24 , G06F18/213 , G06F18/214 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，针对域偏移以及目标域故障样本稀缺的场景。该方法包括如下步骤：第一步，通过一维循环一致性对抗生成网络，利用源域样本以及目标域正常状态样本生成辅助训练样本。第二步，通过源域样本及辅助训练样本构建新训练集。第三步，通过训练数据来训练特征提取器，获得原始特征。第四步，通过特征筛选进一步获得处理后特征。第五步，对处理后特征进行分类，并对子模型的输出进行分布对齐。第六步，将故障信号输入训练好的网络进行诊断。本发明的变工况下基于风格迁移的高泛化性机器故障智能诊断方法更好地实现了变工况目标域故障样本缺失场景下的智能诊断。
-
公开(公告)号：CN118779730B
公开(公告)日：2025-01-10
申请号：CN202411276744.6
申请日：2024-09-12
Applicant: 南京信息工程大学
IPC: G06F18/241 , G06F18/22 , G06N3/0895
Abstract: 本发明公开了一种设备未知工况下基于自监督单域泛化的故障诊断方法，通过自监督对比学习框架，提取振动信号特征，解决了现有诊断模型在复杂工况中泛化能力不足的问题。该方法包括以下步骤：获得轴承振动信号数据。预处理振动信号，分割训练集和测试集。构建数据增强库。构建自监督学习框架，以对比为目标解决实例分类问题。对振动信号进行数据增强。使用动量对比对模型进行训练，得到特征提取器并微调。应用训练好的模型对新振动信号进行分类，得到其健康状态类型。本发明降低了获取故障标签的成本，提升了诊断模型在复杂工况中的适用性。
-
-
-
-
-
Search Results
6
records
(took 0.027 seconds)
