公开(公告)号：CN118839219B

公开(公告)日：2025-03-04

申请号：CN202410908709.5

申请日：2024-07-08

Applicant: 南京理工大学

Inventor： 赵孝礼 ,  胡渊豪 ,  宋艺博 ,  何显松 ,  周宁 ,  杨晓伟 ,  姚建勇 ,  丁鹏 ,  赵转哲 ,  高洋 ,  李佳 ,  裴洪

IPC: G06F18/241 ,  G06F18/214 ,  G06F18/213 ,  G06F18/25 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08 ,  F15B19/00

Abstract: 本发明公开了一种EHA复合故障智能解耦诊断方法，包括步骤如下：首先根据EHA的故障类型，利用流量计、压力传感器和光栅尺对液压系统特定位置进行数据采集，获各种健康状态下的多传感器真实运行数据；然后，对采集到的正常、单一故障及复合故障状态的多传感器数据进行切片处理，划分出训练数据集和测试数据集；接着利用训练数据集对构建的最大化聚合注意力卷积胶囊网络进行训练，以扩展损失函数作为损失函数；最后，利用测试数据集对训练好的最大化聚合注意力卷积胶囊网络进行测试，得到EHA复合故障诊断的结果。此外，本发明简单易行，适用于复合故障数据采集成本高昂、单一传感器信息感知有限及故障特征不明显的EHA复合故障解耦与诊断。

公开(公告)号：CN118312879B

公开(公告)日：2024-09-24

申请号：CN202410416031.9

申请日：2024-04-08

Applicant: 南京理工大学

Inventor： 赵孝礼 ,  胡渊豪 ,  刘家辉 ,  朱星俊 ,  宋艺博 ,  姚建勇 ,  邓文翔 ,  胡健 ,  葛曜文

IPC: G06F18/243 ,  G06F18/214 ,  G06F18/213 ,  G06N3/0464

Abstract: 本发明公开了一种基于注意力卷积胶囊网络的比例伺服阀故障诊断方法，包括步骤如下：首先对随机噪声下的比例伺服阀及执行器进行位移、电流、压力等信号的采集，并将所采集的信号利用离散小波包变换及信号重构分离出噪声；然后，将去噪重构的信号划分为训练样本集与测试样本集；接着再将训练样本输入到所构建的注意力卷积胶囊网络算法中进行训练，以正类别损失、负类别损失和正则化项作为损失函数，增强类别间的分离，提高模型的泛化能力；最后，将测试样本集输入到训练好的故障诊断方法中进行比例伺服阀状态测试与智能故障诊断。此外，本发明简单易行，适用于比例伺服阀随机噪声下智能化、强鲁棒的故障特征提取与诊断。

公开(公告)号：CN118312879A

公开(公告)日：2024-07-09

申请号：CN202410416031.9

申请日：2024-04-08

Applicant: 南京理工大学

Inventor： 赵孝礼 ,  胡渊豪 ,  刘家辉 ,  朱星俊 ,  宋艺博 ,  姚建勇 ,  邓文翔 ,  胡健 ,  葛曜文

IPC: G06F18/243 ,  G06F18/214 ,  G06F18/213 ,  G06N3/0464

Abstract: 本发明公开了一种基于注意力卷积胶囊网络的比例伺服阀故障诊断方法，包括步骤如下：首先对随机噪声下的比例伺服阀及执行器进行位移、电流、压力等信号的采集，并将所采集的信号利用离散小波包变换及信号重构分离出噪声；然后，将去噪重构的信号划分为训练样本集与测试样本集；接着再将训练样本输入到所构建的注意力卷积胶囊网络算法中进行训练，以正类别损失、负类别损失和正则化项作为损失函数，增强类别间的分离，提高模型的泛化能力；最后，将测试样本集输入到训练好的故障诊断方法中进行比例伺服阀状态测试与智能故障诊断。此外，本发明简单易行，适用于比例伺服阀随机噪声下智能化、强鲁棒的故障特征提取与诊断。

公开(公告)号：CN119441970A

公开(公告)日：2025-02-14

申请号：CN202411439005.4

申请日：2024-10-15

Applicant: 南京理工大学

Inventor： 赵孝礼 ,  宋艺博 ,  赵昕 ,  胡渊豪 ,  张站 ,  何显松 ,  赵思源 ,  姚建勇 ,  胡健 ,  邓文翔 ,  丁鹏 ,  赵转哲 ,  宋狄 ,  李佳 ,  邓林峰 ,  邵海东

IPC: G06F18/241 ,  A61B5/397 ,  G06F18/10 ,  G06F18/214 ,  G06N3/047 ,  G06F18/213 ,  G06F18/2131 ,  G06N3/088 ,  G06N3/09

Abstract: 本发明公开了一种用于机器人的表面肌电稳健智能识别方法，包括步骤如下：首先使用表面肌电传感器采集若干组人体原始肌电信号；然后，对采集到的传感器数据进行滑动窗口切片处理，划分出训练数据集和测试数据集；将训练数据集作为时域处理子网络和频域处理子网络的输入进行网络训练，经过网络训练分别提取出时域特征以及频域特征，将时域特征和频域特征作为识别分类器的输入，对识别分类器进行训练；最后，将测试样本集输入到训练好的信号处理识别模型中进行表面肌电信号处理识别；本发明有效地结合了时域和频域信息，与传统的完全结合网络相比，提高了识别准确性和稳定性。

公开(公告)号：CN118839219A

公开(公告)日：2024-10-25

申请号：CN202410908709.5

申请日：2024-07-08

Applicant: 南京理工大学

Inventor： 赵孝礼 ,  胡渊豪 ,  宋艺博 ,  何显松 ,  周宁 ,  杨晓伟 ,  姚建勇 ,  丁鹏 ,  赵转哲 ,  高洋 ,  李佳 ,  裴洪

IPC: G06F18/241 ,  G06F18/214 ,  G06F18/213 ,  G06F18/25 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08 ,  F15B19/00

Abstract: 本发明公开了一种EHA复合故障智能解耦诊断方法，包括步骤如下：首先根据EHA的故障类型，利用流量计、压力传感器和光栅尺对液压系统特定位置进行数据采集，获各种健康状态下的多传感器真实运行数据；然后，对采集到的正常、单一故障及复合故障状态的多传感器数据进行切片处理，划分出训练数据集和测试数据集；接着利用训练数据集对构建的最大化聚合注意力卷积胶囊网络进行训练，以扩展损失函数作为损失函数；最后，利用测试数据集对训练好的最大化聚合注意力卷积胶囊网络进行测试，得到EHA复合故障诊断的结果。此外，本发明简单易行，适用于复合故障数据采集成本高昂、单一传感器信息感知有限及故障特征不明显的EHA复合故障解耦与诊断。