公开(公告)号：CN113076920B

公开(公告)日：2022-06-03

申请号：CN202110426630.5

申请日：2021-04-20

Applicant: 同济大学

Inventor： 唐堂 ,  赵骏 ,  陈明 ,  于颖

IPC: G06K9/00 ,  G06K9/62 ,  G06N5/04 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明提供一种基于非对称域对抗自适应模型的智能故障诊断方法，克服现有无监督域适配对抗训练困难且目标域无标签数据需求量大的问题。首先将传感器采集到的振动信号转化为时频图谱，利用分步式域对抗训练从时频图谱中获得域不变故障特征。同时将轻量化网络构架和Wasserstein d i stance融入对抗式网络大幅度缩短网络模型的训练成本，降低对目标域数据的依赖性，使得对抗迁移模型在小样本场景下依旧保持良好的性能。

公开(公告)号：CN108510153B

公开(公告)日：2022-09-16

申请号：CN201810129066.9

申请日：2018-02-08

Applicant: 同济大学

Inventor： 唐堂 ,  胡天浩 ,  吴杰 ,  刘晋飞 ,  靳文瑞 ,  王亮 ,  陈明

IPC: G06Q10/06 ,  G06N3/04 ,  G01M99/00

Abstract: 本发明涉及一种多工况旋转机械故障诊断方法，包括：S1、采集得到旋转机械的原始振动数据矩阵；S2、对原始振动数据依次进行傅里叶变换和归一化处理，得到规范化振动数据矩阵；S3、将规范化振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果。与现有技术相比，本发明通过卷积神经网络，提升了诊断模型对多变工况下对不变性特征的提取能力；通过K近邻分类器，增强诊断模型对非线性故障特征的分类能力与鲁棒性；两者结合共同提升了诊断模型对复杂工况条件下旋转机械故障诊断的准确率，为在线智能化故障诊断提供了有力支持。

公开(公告)号：CN108510153A

公开(公告)日：2018-09-07

申请号：CN201810129066.9

申请日：2018-02-08

Applicant: 同济大学

Inventor： 唐堂 ,  胡天浩 ,  吴杰 ,  刘晋飞 ,  靳文瑞 ,  王亮 ,  陈明

IPC: G06Q10/06 ,  G06N3/04 ,  G01M99/00

Abstract: 本发明涉及一种多工况旋转机械故障诊断方法，包括：S1、采集得到旋转机械的原始振动数据矩阵；S2、对原始振动数据依次进行傅里叶变换和归一化处理，得到规范化振动数据矩阵；S3、将规范化振动数据矩阵输入由卷积神经网络与K近邻分类器串联组合建立的故障诊断模型中，得到诊断结果。与现有技术相比，本发明通过卷积神经网络，提升了诊断模型对多变工况下对不变性特征的提取能力；通过K近邻分类器，增强诊断模型对非线性故障特征的分类能力与鲁棒性；两者结合共同提升了诊断模型对复杂工况条件下旋转机械故障诊断的准确率，为在线智能化故障诊断提供了有力支持。

公开(公告)号：CN115761732A

公开(公告)日：2023-03-07

申请号：CN202211280126.X

申请日：2022-10-19

Applicant: 同济大学

Inventor： 唐堂 ,  潘文杰 ,  王亮 ,  陈明 ,  于颖

IPC: G06V20/70 ,  G06V10/26 ,  G06V10/82 ,  G06V10/25 ,  G06V10/34 ,  G06V10/80 ,  G06V10/764

Abstract: 一种三阶段金丝键合缺陷检测方法，其特征是，包括三个阶段，如下：(1)芯片及关键连接区域分割：使用DeepLabV3+模型完成芯片及关键连接区域的语义分割；(2)感兴趣区域提取：根据键合线连接对象不同和背景复杂程度，将金丝键合图片分为4类，基于阶段1提取的位置信息，进一步设计相应的图像处理算法完成感兴趣区域提取；(3)缺陷判别：基于所提取的感兴趣区域，使用图像处理算法和所提出了一个全新的基于孪生网络架构的分类网络完成缺陷判别。因此，本发明是将深度学习方法与传统数字图像处理方法相融合的三阶段缺陷检测方法，完成微波组件金丝键合工艺中的缺丝和翘丝缺陷检测。

公开(公告)号：CN113076920A

公开(公告)日：2021-07-06

申请号：CN202110426630.5

申请日：2021-04-20

Applicant: 同济大学

Inventor： 唐堂 ,  赵骏 ,  陈明 ,  于颖

IPC: G06K9/00 ,  G06K9/62 ,  G06N5/04 ,  G06N3/08 ,  G06N3/04

Abstract: 本发明提供一种基于非对称域对抗自适应模型的智能故障诊断方法，克服现有无监督域适配对抗训练困难且目标域无标签数据需求量大的问题。首先将传感器采集到的振动信号转化为时频图谱，利用分步式域对抗训练从时频图谱中获得域不变故障特征。同时将轻量化网络构架和Wasserstein d i stance融入对抗式网络大幅度缩短网络模型的训练成本，降低对目标域数据的依赖性，使得对抗迁移模型在小样本场景下依旧保持良好的性能。

公开(公告)号：CN108388977A

公开(公告)日：2018-08-10

申请号：CN201810048889.9

申请日：2018-01-18

Applicant: 同济大学

Inventor： 刘晋飞 ,  刘江山 ,  靳文瑞 ,  唐堂 ,  王亮 ,  陈明

IPC: G06Q10/06 ,  G06Q10/10 ,  G06Q50/04

Abstract: 本发明涉及一种面向智能制造的协同开发系统及方法，该系统包括：需求分析模块：用以在产品的生产之前获取客户对产品的需求，并对需求根据知识进行解释、分类，并转化生成任务；任务分解模块：根据客户对产品的需求生成总任务，然后对总任务进行任务细分和功能细分，最终分解形成可识别的多个子任务；指派任务模块：用以对描述的任务和问题进行分配，并且选择任务执行过程决策要素和过程模型的优化算法，将各个任务指派到相关的协同设计模块；协同开发模块：用以接受和执行指派的任务，并对执行结果进行评估和分析。与现有技术相比，本发明具有组织协同、直观高效、动态变化、生产柔性化等优点。