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

Inventor： 赵晓平 ,  张中洋 ,  邵凡

IPC: G06F30/17 ,  G06F30/27 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06F111/08

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

Inventor： 赵晓平 ,  邵凡

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：CN113792770A

公开(公告)日：2021-12-14

申请号：CN202111010900.0

申请日：2021-08-31

Applicant: 南京信息工程大学

Inventor： 赵晓平 ,  吕凯扬 ,  邵凡

IPC: G06K9/62 ,  G01M13/045 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于属性描述的零样本滚动轴承故障诊断方法及系统，涉及设备故障诊断领域以及信号处理领域，通过采集滚动轴承对应各故障类型下的各故障信号数据，通过数据转变将各故障信号数据转换为对应的时频图像，得到滚动轴承时频图集，基于滚动轴承时频图集，训练并获得特征提取网络以及属性学习器，应用特征提取网络以及属性学习器，对待诊断滚动轴承进行故障预测，获得故障预测结果。通过本发明的技术方案为每个故障提供由属性组成的故障描述作为辅助信息，同时通过对已见类的属性学习完成对未见类的属性预测，在没有测试集样本可供训练的情况下完成对测试集的准确分类。

公开(公告)号：CN112763214B

公开(公告)日：2022-07-01

申请号：CN202011617263.9

申请日：2020-12-31

Applicant: 南京信息工程大学

Inventor： 赵晓平 ,  邵凡

IPC: G01M13/045 ,  G06V10/764 ,  G06V10/82 ,  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。