公开(公告)号：CN114139598A

公开(公告)日：2022-03-04

申请号：CN202111212260.1

申请日：2021-10-18

Applicant: 湖南工业大学

Inventor： 何静 ,  印玲 ,  张昌凡 ,  陈泓润 ,  徐逸夫

IPC: G06K9/62 ,  G06F17/16 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了基于深度代价敏感卷积网络的故障诊断方法及诊断框架，通过建立健康状识别模块，对基于标签预测损失函数和代价敏感分类损失函数训练网络，为各类别数据分配不同程度的误分类惩罚，最小化分类误差以解决数据不平衡的问题。并且结合自适应模块，以领域对抗损失函数和距离度量损失函数训练网络，最小化源域和目标域的分布差异，混淆域间差异。同时强调源域和目标域具有相关联的一部分的潜在特征，使得两个域的分布近似，促进深度代价敏感卷积网络的智能故障诊断，解决未标签不平衡数据在诊断过程中造成的负面影响的问题。

公开(公告)号：CN115936063A

公开(公告)日：2023-04-07

申请号：CN202111166790.7

申请日：2021-09-30

Applicant: 湖南工业大学

Inventor： 张昌凡 ,  徐逸夫 ,  何静 ,  刘建华 ,  杨浩楠 ,  印玲

IPC: G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种提高深度学习模型性能的方法，通过建立非线性映射函数，并且在非线性映射模块的正值域部分添加模拟随机噪声，增强激活函数应用到模型后的泛化能力；在负值域部分对不同通道权重进行重新校准，来加强激活函数特征提取能力，有效地结合数据类型特点来拟合模型，进一步地模拟出大脑中神经元传递方式，并同时提高了模型的泛化能力和抗过拟合性，解决了传统激活函数在传输信息上十分僵化的问题。

公开(公告)号：CN114139598B

公开(公告)日：2024-07-12

申请号：CN202111212260.1

申请日：2021-10-18

Applicant: 湖南工业大学

Inventor： 何静 ,  印玲 ,  张昌凡 ,  陈泓润 ,  徐逸夫

IPC: G06F18/241 ,  G06F17/16 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/045 ,  G06N3/094 ,  G06N3/096 ,  G06F18/213

Abstract: 本发明公开了基于深度代价敏感卷积网络的故障诊断方法及诊断框架，通过建立健康状识别模块，对基于标签预测损失函数和代价敏感分类损失函数训练网络，为各类别数据分配不同程度的误分类惩罚，最小化分类误差以解决数据不平衡的问题。并且结合自适应模块，以领域对抗损失函数和距离度量损失函数训练网络，最小化源域和目标域的分布差异，混淆域间差异。同时强调源域和目标域具有相关联的一部分的潜在特征，使得两个域的分布近似，促进深度代价敏感卷积网络的智能故障诊断，解决未标签不平衡数据在诊断过程中造成的负面影响的问题。

公开(公告)号：CN113569928B

公开(公告)日：2024-01-30

申请号：CN202110792198.1

申请日：2021-07-13

Applicant: 湖南工业大学

Inventor： 张昌凡 ,  陈泓润 ,  何静 ,  曹源 ,  杨皓楠 ,  徐逸夫 ,  印玲

IPC: G06F18/15 ,  G06F18/25 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/096

Abstract: 本发明公开了一种列车运行状态检测数据缺失处理模型及重建的方法，通过构建全新的变分自编码‑生成对抗语义融合网络(VAE‑FGAN)用于对缺失数据进行重建，首先在编码器引入GRU模块，对数据底层特征与高层特征进行融合，使得VAE‑FGAN以无监督的训练形式学习量测数据之间相关性；其次在整个生成网络中引入SE‑NET注意力机制以提升增加特征提取网络对数据特征的表达；最后通过迁移学习与预训练达到参数共享。本发明不仅能保持较高的重建精度，重建数据也能很好的符合量测数据的分布规律，解决

公开(公告)号：CN113569928A

公开(公告)日：2021-10-29

申请号：CN202110792198.1

申请日：2021-07-13

Applicant: 湖南工业大学

Inventor： 张昌凡 ,  陈泓润 ,  何静 ,  曹源 ,  杨皓楠 ,  徐逸夫 ,  印玲

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种列车运行状态检测数据缺失处理模型及重建的方法，通过构建全新的变分自编码‑生成对抗语义融合网络(VAE‑FGAN)用于对缺失数据进行重建，首先在编码器引入GRU模块，对数据底层特征与高层特征进行融合，使得VAE‑FGAN以无监督的训练形式学习量测数据之间相关性；其次在整个生成网络中引入SE‑NET注意力机制以提升增加特征提取网络对数据特征的表达；最后通过迁移学习与预训练达到参数共享。本发明不仅能保持较高的重建精度，重建数据也能很好的符合量测数据的分布规律，解决了现有技术模型在针对处理高速列车运行过程中部分故障运维数据极少或缺失时的模型泛化能力差、训练不稳定的问题。