-
公开(公告)号：CN118520357A
公开(公告)日：2024-08-20
申请号：CN202410985317.9
申请日：2024-07-23
Applicant: 湖南科技大学
IPC: G06F18/241 , G06F18/214 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/09 , G01M13/04
Abstract: 本发明公开了一种基于信号特征表征引导的故障诊断方法、系统及存储介质，该方法在构建故障模型时，利用特征提取器获取最后一个卷积层输出的特征图，并采用类激活方法将特征图映射为正负类激活图，再计算训练样本的正类激活图与特征图之间的差异，得到正类特征的激活函数损失值。计算输入样本的负类激活图与抑制常数之间的差异，并将差异值作为负类激活函数的损失值。将负类激活损失、正类激活损失以及分类器的分类损失进行加权融合，进而对故障诊断模型的模型参数进行优化。本发明能驱使故障诊断模型的主干网络聚焦于目标类别，并将故障特征显著区域表达为目标类别的特征，通过提升模型对信号特征的表征能力，改进模型的诊断精度和稳定性。
-
Patent Agency Ranking
公开(公告)号：CN118520357B
公开(公告)日：2024-09-24
申请号：CN202410985317.9
申请日：2024-07-23
Applicant: 湖南科技大学
IPC: G06F18/241 , G06F18/214 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/09 , G01M13/04
Abstract: 本发明公开了一种基于信号特征表征引导的故障诊断方法、系统及存储介质，该方法在构建故障模型时，利用特征提取器获取最后一个卷积层输出的特征图，并采用类激活方法将特征图映射为正负类激活图，再计算训练样本的正类激活图与特征图之间的差异，得到正类特征的激活函数损失值。计算输入样本的负类激活图与抑制常数之间的差异，并将差异值作为负类激活函数的损失值。将负类激活损失、正类激活损失以及分类器的分类损失进行加权融合，进而对故障诊断模型的模型参数进行优化。本发明能驱使故障诊断模型的主干网络聚焦于目标类别，并将故障特征显著区域表达为目标类别的特征，通过提升模型对信号特征的表征能力，改进模型的诊断精度和稳定性。
-
公开(公告)号：CN118656756A
公开(公告)日：2024-09-17
申请号：CN202411116870.5
申请日：2024-08-15
Applicant: 湖南科技大学
IPC: G06F18/2433 , G06F18/2132 , G06F18/25 , G06N3/0455 , G06N3/0442 , G06N3/088 , G06F17/16
Abstract: 本发明公开了风力发电机多维时序数据异常检测方法及系统，通过获取风力发电机多维运行数据的时序序列；采用图注意力网络提取所述时序序列的空间依赖特征；采用transformer提取所述时序序列的时间依赖特征；采用门控循环单元融合所述空间依赖特征与时间依赖特征，得到时空依赖特征；采用双向长短期网络对所述时空依赖特征进行重构，并计算所述时空依赖特征的重构误差，根据所述重构误差判断所述时序序列是否存在异常。本发明能大大提高风力发电机多维时序数据异常检测的准确率。
-
公开(公告)号：CN117589444B
公开(公告)日：2024-04-02
申请号：CN202410072316.5
申请日：2024-01-18
Applicant: 湖南科技大学
IPC: G01M13/021 , G01M13/028 , G06N20/00
Abstract: 本申请公开了一种基于联邦学习的风力发电机齿轮箱故障诊断方法，属于数据管理领域。所述方法包括：采集各风力发电机齿轮箱的本地数据，进行本地模型训练；接收中心端传输的全局模型，生成故障诊断本地模型并进行测试，若达到标准，则传输至中心端；接收中心端传输的故障诊断全局模型，实时监测各风力发电机齿轮箱的运行状况，若识别到异常错误信息，则将确定的风力发电机齿轮箱标识和异常错误信息传输至控制中心；接收控制中心生成的故障样本数据，对故障诊断本地模型进行更新。本方案在本地生成故障诊断本地模型，能更快适应新的故障模式，减少中心端的计算压力和通信成本；通过更新故障诊断本地模型，能提高模型的准确性和可靠性。
-
公开(公告)号：CN118656756B
公开(公告)日：2024-12-03
申请号：CN202411116870.5
申请日：2024-08-15
Applicant: 湖南科技大学
IPC: G06F18/2433 , G06F18/2132 , G06F18/25 , G06N3/0455 , G06N3/0442 , G06N3/088 , G06F17/16
Abstract: 本发明公开了风力发电机多维时序数据异常检测方法及系统，通过获取风力发电机多维运行数据的时序序列；采用图注意力网络提取所述时序序列的空间依赖特征；采用transformer提取所述时序序列的时间依赖特征；采用门控循环单元融合所述空间依赖特征与时间依赖特征，得到时空依赖特征；采用双向长短期网络对所述时空依赖特征进行重构，并计算所述时空依赖特征的重构误差，根据所述重构误差判断所述时序序列是否存在异常。本发明能大大提高风力发电机多维时序数据异常检测的准确率。
-
公开(公告)号：CN117589444A
公开(公告)日：2024-02-23
申请号：CN202410072316.5
申请日：2024-01-18
Applicant: 湖南科技大学
IPC: G01M13/021 , G01M13/028 , G06N20/00
Abstract: 本申请公开了一种基于联邦学习的风力发电机齿轮箱故障诊断方法，属于数据管理领域。所述方法包括：采集各风力发电机齿轮箱的本地数据，进行本地模型训练；接收中心端传输的全局模型，生成故障诊断本地模型并进行测试，若达到标准，则传输至中心端；接收中心端传输的故障诊断全局模型，实时监测各风力发电机齿轮箱的运行状况，若识别到异常错误信息，则将确定的风力发电机齿轮箱标识和异常错误信息传输至控制中心；接收控制中心生成的故障样本数据，对故障诊断本地模型进行更新。本方案在本地生成故障诊断本地模型，能更快适应新的故障模式，减少中心端的计算压力和通信成本；通过更新故障诊断本地模型，能提高模型的准确性和可靠性。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
