-
公开(公告)号：CN118211136B
公开(公告)日：2024-08-06
申请号：CN202410634398.8
申请日：2024-05-22
Applicant: 哈尔滨工业大学(威海)
IPC: G06F18/2413 , G06F18/22 , G06F18/213 , G06F18/214
Abstract: 本发明涉及数据处理技术领域，具体的说是一种能够通过对数据集中难分样本的有效挖掘处理，显著提高数据处理效率和准确率，进而提高复杂设备故障诊断分析结果准确率的基于围栏损失函数的数据处理方法及装备故障诊断方法，其特征在于，利用深度模型将输入数据映射到一个高维空间中，并执行以下步骤：步骤1：难分样本识别，利用围栏边界来区分每种类别中的难分样本；步骤2：难分样本优化与归类，其中利用围栏学习将难分样本优化至对应的围栏中，通过计算样本到类中心的距离对难分样本进行归类，与现有技术相比，通过深度围栏学习致力于挖掘更多难分样本的信息，来促进数据分类准确性，进而提高设备故障数据诊断性能。
-
公开(公告)号：CN108363382A
公开(公告)日：2018-08-03
申请号：CN201810131247.5
申请日：2018-02-09
Applicant: 哈尔滨工业大学(威海)
IPC: G05B23/02
CPC classification number: G05B23/0275
Abstract: 本发明涉及一种复杂装备故障诊断方法及系统，其中方法包括：样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的状态数据进行预处理生成正常样本和故障样本；特征提取步骤、从全部正常样本中随机选择部分正常样本对SDAE模型进行训练，并利用训练好的SDAE模型对剩余的正常样本和所有的故障样本进行特征提取，得到特征集；分类识别步骤、基于特征集使用支持向量机对特征进行分类。本发明能够在复杂装备真实的小样本条件下进行故障诊断，故障识别准确率和泛化性明显优于基于支持向量机的故障诊断法。在建立复杂装备状态特征模型过程中，提出一种根据单个DAE特征提取能力设计SDAE模型隐藏层节点数的方法。
-
公开(公告)号：CN118211136A
公开(公告)日：2024-06-18
申请号：CN202410634398.8
申请日：2024-05-22
Applicant: 哈尔滨工业大学(威海)
IPC: G06F18/2413 , G06F18/22 , G06F18/213 , G06F18/214
Abstract: 本发明涉及数据处理技术领域，具体的说是一种能够通过对数据集中难分样本的有效挖掘处理，显著提高数据处理效率和准确率，进而提高复杂设备故障诊断分析结果准确率的基于围栏损失函数的数据处理方法及装备故障诊断方法，其特征在于，利用深度模型将输入数据映射到一个高维空间中，并执行以下步骤：步骤1：难分样本识别，利用围栏边界来区分每种类别中的难分样本；步骤2：难分样本优化与归类，其中利用围栏学习将难分样本优化至对应的围栏中，通过计算样本到类中心的距离对难分样本进行归类，与现有技术相比，通过深度围栏学习致力于挖掘更多难分样本的信息，来促进数据分类准确性，进而提高设备故障数据诊断性能。
-
Patent Agency Ranking
公开(公告)号：CN111598161A
公开(公告)日：2020-08-28
申请号：CN202010406716.7
申请日：2020-05-14
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明披露了一种基于CNN迁移学习的发动机气路状态诊断系统，所述诊断系统包括源域和目标域，所述源域包括一CNN模块，其特征在于：所述CNN模块包括一个内层和三个全连层，所述内层由两个卷积层、一个池化层组成，并以预设的源域训练集对所述CNN模块进行训练，待所述CNN模块训练完成，将训练完成的所述CNN模块中的所述内层迁移到所述目标域并保持不变，作为所述目标域的发动机状态特征映射模型；所述目标域还包括一SVM模块，所述SVM模块对经所述内层映射的发动机小样本故障数据进行诊断和分类，从而输出发动机故障类别。
-
公开(公告)号：CN111598222B
公开(公告)日：2023-04-28
申请号：CN202010406707.8
申请日：2020-05-14
Applicant: 哈尔滨工业大学(威海)
IPC: G06N3/0455 , G06N3/048 , G06N3/082 , G06F18/23213 , G06F18/22 , G06F18/214
Abstract: 本发明披露了一种重优化深度自动编码器，其特征在于：包括第一经典深度自动编码器模块、K‑Means聚类模型模块和第二经典深度自动编码器模块；所述第一经典深度自动编码器模块训练完成后，通过所述第一经典深度自动编码器模块获得一重构误差集；所述K‑Means聚类模型模块对所述重构误差集进行聚类，剔除其中重构误差较大的异常样本，保留正常样本作为新训练集；用所述新训练集对所述第二经典深度自动编码器模块进行训练。基于所述重优化深度自动编码器，本发明还提出了一种发动机自动检测系统。
-
公开(公告)号：CN108363382B
公开(公告)日：2019-02-26
申请号：CN201810131247.5
申请日：2018-02-09
Applicant: 哈尔滨工业大学(威海)
IPC: G05B23/02
Abstract: 本发明涉及一种复杂装备故障诊断方法及系统，其中方法包括：样本处理步骤、选取复杂装备的监控性能参数，并获取监控性能参数的状态数据进行预处理生成正常样本和故障样本；特征提取步骤、从全部正常样本中随机选择部分正常样本对SDAE模型进行训练，并利用训练好的SDAE模型对剩余的正常样本和所有的故障样本进行特征提取，得到特征集；分类识别步骤、基于特征集使用支持向量机对特征进行分类。本发明能够在复杂装备真实的小样本条件下进行故障诊断，故障识别准确率和泛化性明显优于基于支持向量机的故障诊断法。在建立复杂装备状态特征模型过程中，提出一种根据单个DAE特征提取能力设计SDAE模型隐藏层节点数的方法。
-
公开(公告)号：CN111598222A
公开(公告)日：2020-08-28
申请号：CN202010406707.8
申请日：2020-05-14
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明披露了一种重优化深度自动编码器，其特征在于：包括第一经典深度自动编码器模块、K-Means聚类模型模块和第二经典深度自动编码器模块；所述第一经典深度自动编码器模块训练完成后，通过所述第一经典深度自动编码器模块获得一重构误差集；所述K-Means聚类模型模块对所述重构误差集进行聚类，剔除其中重构误差较大的异常样本，保留正常样本作为新训练集；用所述新训练集对所述第二经典深度自动编码器模块进行训练。基于所述重优化深度自动编码器，本发明还提出了一种发动机自动检测系统。
-
公开(公告)号：CN109115501A
公开(公告)日：2019-01-01
申请号：CN201810763325.3
申请日：2018-07-12
Applicant: 哈尔滨工业大学(威海)
CPC classification number: G01M15/00 , G06K9/6256 , G06K9/6269 , G06N3/0454 , G06N3/08
Abstract: 本发明涉及一种基于CNN与SVM的民航发动机气路故障诊断方法，包括获取民航发动机气路状态数据；构造训练集和测试集；利用训练集对CNN模型进行训练；利用训练完成的CNN模型对测试集中的样本进行特征挖掘，组成测试样本特征集；利用测试样本特征集训练SVM对各种故障进行分类；将待诊断的民航发动机气路状态数据输入训练完的CNN模型得到待测样本特征，并利用所述SVM进行分类，得到气路故障类型。本发明利用卷积神经网络直接对矩阵进行处理，既考虑了输入参数随时间变化的关系，又考虑了输入参数之间的关系；同时利用SVM进行分类，很好地解决了民航发动机故障样本不足的局限，能够有效且准确的实现民航发动机气路故障诊断。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
