-
公开(公告)号：CN117611864A
公开(公告)日：2024-02-27
申请号：CN202311224307.5
申请日：2023-09-20
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06T7/00 , G06N3/0475 , G06N3/0455 , G06N3/088
Abstract: 本发明公开了一种基于重构与多对抗训练的无监督肺结节恶性诊断系统，包括肺结节提取模块、数据集构建模块、模型训练模块和异常检测模块；肺结节提取模块用于从原始肺部CT图像中分割出肺实质，对肺实质中的肺结节加以提取；数据集构建模块用于将所得肺结节图像划分为训练集与测试集，其中训练集中数据均为良性结节，测试集则由良、恶性结节参半构成；模型训练模块用于构建MARGAN模型，并采用训练集中的样本对模型加以训练；异常检测模块用于将测试集中的样本输入MARGAN模型进行检测，该模型将依据待检测样本与训练集样本间的偏差程度评定其异常分值。本发明使得重构异常数据所得残差值较正常数据为高，降低由正、异常样本残差值过于相近所导致的检测误差。
-
公开(公告)号：CN113255078A
公开(公告)日：2021-08-13
申请号：CN202110600180.7
申请日：2021-05-31
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种样本不均衡条件下的轴承故障诊断方法及装置，涉及轴承故障诊断领域，包括设备采集轴承故障的时域振动信号，将采集的信号并分类；将故障信号切分为多个样本，然后进行快速傅里叶变换得到频域数据，按比例制作训练集和测试集；搭建VAE‑GAN故障样本生成模型，将训练集中的少数类故障样本分别输入模型，平衡训练数据集；搭建FLCNN故障分类模型，并将步骤S3中得到的平衡训练集输入模型训练；分析实验结果。该轴承故障诊断方法及装置通过将VAE网络和GAN网络结合，同时借鉴了VAE对训练数据的特征编码能力和GAN的对抗学习机制，并且和其他方法相比，在不同不均衡比例下都能有效提高故障诊断精度。
-
公开(公告)号：CN112763214A
公开(公告)日：2021-05-07
申请号：CN202011617263.9
申请日：2020-12-31
Applicant: 南京信息工程大学
IPC: G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多标签零样本学习的滚动轴承故障诊断方法，属于智能旋转机械故障诊断领域。该方法包括如下步骤：使用短时傅里叶变换对原始信号进行预处理；将预处理得到的时频图像划分成可见类和未知类两个类别；使用可见类时频图像训练残差可分离卷积神经网络；用训练得到的网络进行特征提取；使用可见类故障特征训练属性学习器，最后用属性学习器学习未见类故障的高维语义信息，实现对未见类故障的诊断。本发明方法开创了零样本条件下的故障诊断先河，能将可见类故障属性迁移到未见类，并有效诊断未见类故障。
-
公开(公告)号：CN107957551A
公开(公告)日：2018-04-24
申请号：CN201711321716.1
申请日：2017-12-12
Applicant: 南京信息工程大学
IPC: G01R31/34
CPC classification number: G01R31/343
Abstract: 本发明公开了基于振动和电流信号的堆叠降噪自编码电机故障诊断方法，分为五个步骤：第一步，获取电机不同故障的振动和电流的时域信号，对其预处理，作为网络输入；第二步，确定网络参数；第三步，逐层训练，将上一级自编码器(Auto encoder，AE)的隐藏层作为下一级AE的输入层，从而得到最终的特征编码，用于训练Softmax网络；第四步，微调整个网络，判断是否达到预期的精确度要求，若满足要求网络训练结束，若不满足，则调整网络参数，重复第三步；第五步，网络构建完成。该方法构建多层SDAE网络，将振动频域信号和电流时域信号相结合作为输入，依次训练SDAE网络和分类器，并有监督的对整个网络进行微调，从而实现精确的电机故障诊断。
-
公开(公告)号：CN107421741A
公开(公告)日：2017-12-01
申请号：CN201710747694.9
申请日：2017-08-25
Applicant: 南京信息工程大学
CPC classification number: G01M13/045 , G06K9/00523 , G06N3/0463 , G06N3/084
Abstract: 本发明公开了一种基于卷积神经网络的滚动轴承故障诊断方法。针对滚动轴承特征分量易被淹没、难以提取等问题，结合滚动轴承信号本身和监测数据量大等特点，将CNN引入到滚动轴承故障诊断中。首先通过短时傅立叶变换将电机振动信号转化成时频谱图，以适应CNN网络训练样本格式，构建大量表示不同故障的带标签样本数据，以确保样本的多样性、防止网络过拟合；构建合适层数的CNN网络并初始化参数，将预处理后的样本输入CNN进行前向传播，结合给定标签计算误差，利用误差反向传播算法调整网络权值，经过多次迭代，建立信号和设备之间相互联系的网络，从而实现滚动轴承故障的精确诊断。
-
Patent Agency Ranking
公开(公告)号：CN102076053A
公开(公告)日：2011-05-25
申请号：CN201110040145.0
申请日：2011-02-18
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种Zigbee无线传感网络快速修复方法，属于无线网络技术领域。本发明通过在网络中每一个终端节点设置一个可记录个节点的信标信息的父节点记录表；终端节点在首次加入该网络前，先进行一次完整的信道扫描，直到所有的信道都被扫描或接收到的信标帧数目达到时结束扫描；终端节点记录这些信标信息，并从父节点记录表中选择一个节点进行关联；终端节点周期地跟踪表中所有节点的信标帧，并不断地用接收到的新信标信息对表中节点的旧信标信息进行更新；当终端节点发现自身已经变成了孤点设备，则从表中删除当前父节点的信标信息，然后直接从表中选择一个节点进行重新关联。本发明方法可以缩减网络修复时间，提高网络修复效率。
-
公开(公告)号：CN101603854A
公开(公告)日：2009-12-16
申请号：CN200910031884.6
申请日：2009-07-15
Applicant: 南京信息工程大学
Abstract: 本发明涉及一种旋转机械启停阶段非平稳振动信号瞬时频率估计算法，首先建立旋转机械转子实验台工作模型，在参考轴水平、垂直方向安装测量振动信号的非平稳振动信号传感器，以及测量参考轴旋转速度的光电传感器；通过动态信号分析仪对获得的信号经上位机阶比分析软件分析后，得到含有多阶分量的STFT时频谱图；将旋转机械的工作频率作为估算的起始频率点，根据采样频率和计算精度的要求将STFT时频分析得到的频率等分成M组，启停阶段等分成N个时间点建立N个时间点和M组频率点的网格面；通过Viterbi算法计算起止间的最小偏差频率点的路径，拟合后获得旋转机械启停阶段非平稳振动信号参考轴的瞬时频率估计函数值。
-
公开(公告)号：CN107702922B
公开(公告)日：2020-10-09
申请号：CN201710810504.3
申请日：2017-09-11
Applicant: 南京信息工程大学
IPC: G01M13/045
Abstract: 本发明提出的基于LCD与堆叠自动编码器的滚动轴承故障诊断算法，包括如下步骤：采集滚动轴承的原始振动信号；先用LCD从原始振动信号中筛选出多个ISC分量，将其重构为两个频率段后转成频域信号；然后结合自动编码器提取两个频段信号的初步特征；最后，将两频段信号拼接后输入堆叠自动编码器并通过Softmax分类器进行分类，完成故障诊断。本发明不但能够从海量的数据中自适应的学习故障特征，而且在诊断精度方面优于传统故障诊断算法，可用于大数据环境下的滚动轴承故障诊断。
-
公开(公告)号：CN109932174A
公开(公告)日：2019-06-25
申请号：CN201811629631.4
申请日：2018-12-28
Applicant: 南京信息工程大学
IPC: G01M13/021
Abstract: 本发明的基于多任务深度学习的齿轮箱故障诊断方法，包括如下步骤：步骤1）获取齿轮箱不同转速与负载下齿轮和轴承故障的振动信号，对振动信号预处理求取频域信号；步骤2）构建多任务深度学习网络，并初始化网络模型参数，确定训练超参数；步骤3）将样本输入学习网络，通过前向传播求得网络输入与预期目标的误差，判断是否收敛或满足训练要求，若判断为收敛或满足训练要求则执行步骤5），否则执行步骤4）；步骤4）根据误差，使用反向传播算法更新网络权值，更新完成后使用下一批次的样本，重复执行步骤3）；步骤5）保存网络模型用于故障诊断。有益效果：该方法通过单独的任务层，能够从同一信号中自适应的提取不同目标的特征，并进行诊断。
-
公开(公告)号：CN109187022A
公开(公告)日：2019-01-11
申请号：CN201811015050.1
申请日：2018-08-31
Applicant: 南京信息工程大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于随机共振与自动编码器的滚动轴承故障诊断方法，先建立滚动轴承故障诊断模型，进行诊断时，采集滚动轴承振动信号，将滚动轴承振动信号输入所述滚动轴承故障诊断模型中，得到滚动轴承故障诊断结果。本发明利用遗传算法并行选择和优化随机共振系统的多个参数，自适应筛选出与输入信号最佳匹配的随机共振系统，克服了SR方法参数选择的不足。然后用堆叠自动编码器对预处理后的轴承进行信号分类，实现故障诊断，故障诊断正确率高达96%。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.025 seconds)
