-
公开(公告)号：CN111931625B
公开(公告)日：2022-07-19
申请号：CN202010767530.4
申请日：2020-08-03
Applicant: 浙江大学
Abstract: 本发明公开了一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法。在机械产品关键零件上安装加速度传感器，通过加速度传感器记录零件的振动信号数据；对振动信号数据进行预处理得到训练数据样本；建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型；在训练预测模型的过程中采用一种非对称的损失函数进行训练，在零件实际使用过程中获取测试数据，并将测试数据输入训练好的预测模型中实时预测零件的剩余使用寿命。本发明采用非对称损失函数训练预测模型，当出现预测寿命大于真实寿命这种危险情况时，加大惩罚力度，从而使预测模型在工业生产的应用中更加安全。
-
公开(公告)号：CN110355608B
公开(公告)日：2020-11-24
申请号：CN201910650328.0
申请日：2019-07-18
Applicant: 浙江大学
Abstract: 本发明公开了一种基于自注意力机制与深度学习的刀具磨损量预测方法。数控机床加工中安装测力计、加速度传感器和声传感器，采集铣削过程中的切削力、振动信号和声音信号，并测量刀具磨损量；对传感器测量数据进行预处理，与刀具磨损量标签组成训练数据；建立基于自注意力机制与深度学习的神经网络预测模型，包含自注意力层、双向长短时记忆网络和全连接网络；将训练数据输入预测模型中训练预测模型；将测试数据输入训练好的预测模型中，实时地预测刀具的磨损量。本发明充分挖掘了传感器测量数据中与刀具磨损相关的特征信息，并提取了不同时刻传感器测量数据之间的依赖关系，可以对刀具磨损量进行实时预测。
-
公开(公告)号：CN112257767A
公开(公告)日：2021-01-22
申请号：CN202011110292.6
申请日：2020-10-16
Applicant: 浙江大学
Abstract: 本发明公开了一种针对类不均衡数据的产品关键零部件状态分类方法。获取辅助训练集和源训练集并预处理；对源训练集中的多数类样本N次欠采样处理，获得N个相对均衡的子数据集；用N个子数据集并行训练N个SVM分类器，投票法选择获得最终预测结果；取出最终预测结果中的少数类辅助数据并添加到源训练集；构建深度学习分类模型用重构后的源训练集监督训练；再对待预测的传感器数据进行检测处理。本发明充分利用了源训练集中有标签数据和辅助数据集中未标注的数据，利用弱监督学习方法处理，有利于降低类不均衡数据的不均衡比例，提高分类模型的预测效果。
-
Patent Agency Ranking
公开(公告)号：CN111931625A
公开(公告)日：2020-11-13
申请号：CN202010767530.4
申请日：2020-08-03
Applicant: 浙江大学
Abstract: 本发明公开了一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法。在机械产品关键零件上安装加速度传感器，通过加速度传感器记录零件的振动信号数据；对振动信号数据进行预处理得到训练数据样本；建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型；在训练预测模型的过程中采用一种非对称的损失函数进行训练，在零件实际使用过程中获取测试数据，并将测试数据输入训练好的预测模型中实时预测零件的剩余使用寿命。本发明采用非对称损失函数训练预测模型，当出现预测寿命大于真实寿命这种危险情况时，加大惩罚力度，从而使预测模型在工业生产的应用中更加安全。
-
公开(公告)号：CN110355608A
公开(公告)日：2019-10-22
申请号：CN201910650328.0
申请日：2019-07-18
Applicant: 浙江大学
Abstract: 本发明公开了一种基于自注意力机制与深度学习的刀具磨损量预测方法。数控机床加工中安装测力计、加速度传感器和声传感器，采集铣削过程中的切削力、振动信号和声音信号，并测量刀具磨损量；对传感器测量数据进行预处理，与刀具磨损量标签组成训练数据；建立基于自注意力机制与深度学习的神经网络预测模型，包含自注意力层、双向长短时记忆网络和全连接网络；将训练数据输入预测模型中训练预测模型；将测试数据输入训练好的预测模型中，实时地预测刀具的磨损量。本发明充分挖掘了传感器测量数据中与刀具磨损相关的特征信息，并提取了不同时刻传感器测量数据之间的依赖关系，可以对刀具磨损量进行实时预测。
-
公开(公告)号：CN111639461B
公开(公告)日：2022-10-18
申请号：CN202010455079.2
申请日：2020-05-26
Applicant: 浙江大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G05B19/4065
Abstract: 本发明公开了一种针对工业不均衡数据的刀具磨损状态检测方法。对通过传感器获得的数控机床刀具历史监控数据进行预处理与刀具磨损状态标签组成源训练数据；对与待检测刀具的刀具历史监控数据进行相同预处理和源训练数据过采样合成获得的少数类数据一起组成辅助训练数据；通过迁移学习方法使用上述训练数据训练刀具磨损状态预测模型；将待检测刀具的实时传感器数据经过预处理后输入预测模型中，实时获得刀具的磨损状态。本发明充分保证了训练数据的均衡性，充分保证了训练数据与测试数据的分布一致性，从而解决了在工业数据量较少且不均衡的条件下刀具磨损状态的高精度检测问题。
-
公开(公告)号：CN112257767B
公开(公告)日：2023-03-17
申请号：CN202011110292.6
申请日：2020-10-16
Applicant: 浙江大学
IPC: G06F18/2411 , G06F18/23 , G06F18/214 , G06N3/09 , G06N3/044
Abstract: 本发明公开了一种针对类不均衡数据的产品关键零部件状态分类方法。获取辅助训练集和源训练集并预处理；对源训练集中的多数类样本N次欠采样处理，获得N个相对均衡的子数据集；用N个子数据集并行训练N个SVM分类器，投票法选择获得最终预测结果；取出最终预测结果中的少数类辅助数据并添加到源训练集；构建深度学习分类模型用重构后的源训练集监督训练；再对待预测的传感器数据进行检测处理。本发明充分利用了源训练集中有标签数据和辅助数据集中未标注的数据，利用弱监督学习方法处理，有利于降低类不均衡数据的不均衡比例，提高分类模型的预测效果。
-
公开(公告)号：CN111639461A
公开(公告)日：2020-09-08
申请号：CN202010455079.2
申请日：2020-05-26
Applicant: 浙江大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G05B19/4065
Abstract: 本发明公开了一种针对工业不均衡数据的刀具磨损状态检测方法。对通过传感器获得的数控机床刀具历史监控数据进行预处理与刀具磨损状态标签组成源训练数据；对与待检测刀具的刀具历史监控数据进行相同预处理和源训练数据过采样合成获得的少数类数据一起组成辅助训练数据；通过迁移学习方法使用上述训练数据训练刀具磨损状态预测模型；将待检测刀具的实时传感器数据经过预处理后输入预测模型中，实时获得刀具的磨损状态。本发明充分保证了训练数据的均衡性，充分保证了训练数据与测试数据的分布一致性，从而解决了在工业数据量较少且不均衡的条件下刀具磨损状态的高精度检测问题。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.043 seconds)
