-
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：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。
-
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 0.022 seconds)
