公开(公告)号：CN114492618A

公开(公告)日：2022-05-13

申请号：CN202210076016.5

申请日：2022-01-23

Applicant: 燕山大学

Inventor： 王金甲 ,  李杰宁 ,  王鑫 ,  王倩 ,  杨锡涛

IPC: G06K9/62

Abstract: 本发明公开了零试学习和特征提取的旋转机械故障诊断方法，属于深度学习和故障诊断领域，包括特征细化模块主要解决现有大多数方法存在的跨数据集偏差问题，该模块将语义视觉映射整合到一个统一的生成模型中，以细化可见和不可见类样本的视觉特征，引入了自适应边缘中心损失来明确鼓励类内紧凑性和类间可分性，它与语义循环一致性约束结合，使特征细化模块能够学习更有区别的与类和语义相关的特征表示，本发明不仅有效地解决了跨数据集偏差问题，避免微调的低效和过拟合风险，并且具有显著的性能增益。

公开(公告)号：CN114398957A

公开(公告)日：2022-04-26

申请号：CN202111567596.X

申请日：2021-12-21

Applicant: 燕山大学

Inventor： 王金甲 ,  李杰宁 ,  王鑫

IPC: G06K9/62 ,  G06N3/04 ,  G01M13/025

Abstract: 本发明公开了基于零试学习和潜在空间编码的旋转机械故障诊断方法，零试学习摆脱了传统深度学习对大量标注数据的依赖，可以使用少量标注数据实现对未知样本的故障诊断，潜在空间编码模型是一种新的编码—解码方法，该方法运用编码—解码的思路将视觉信息和语义信息在潜在空间进行交互，共享潜在空间。本发明不需要大量的标注数据进行训练，而且大大减轻了数据标注的成本损耗。通过在潜在空间学习测试集中未知类和训练集中已知类样本间的相似性，得到测试集未知类的高级语义特征进行未知样本的检测。本发明不仅提高网络的检测性能，减少了参数优化的过程，并且得到一个比较好的故障诊断效果。

公开(公告)号：CN114492618B

公开(公告)日：2024-11-01

申请号：CN202210076016.5

申请日：2022-01-23

Applicant: 燕山大学

Inventor： 王金甲 ,  李杰宁 ,  王鑫 ,  王倩 ,  杨锡涛

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/0475 ,  G06N3/094

Abstract: 本发明公开了零试学习和特征提取的旋转机械故障诊断方法，属于深度学习和故障诊断领域，包括特征细化模块主要解决现有大多数方法存在的跨数据集偏差问题，该模块将语义视觉映射整合到一个统一的生成模型中，以细化可见和不可见类样本的视觉特征，引入了自适应边缘中心损失来明确鼓励类内紧凑性和类间可分性，它与语义循环一致性约束结合，使特征细化模块能够学习更有区别的与类和语义相关的特征表示，本发明不仅有效地解决了跨数据集偏差问题，避免微调的低效和过拟合风险，并且具有显著的性能增益。

公开(公告)号：CN114398957B

公开(公告)日：2024-08-23

申请号：CN202111567596.X

申请日：2021-12-21

Applicant: 燕山大学

Inventor： 王金甲 ,  李杰宁 ,  王鑫

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/0464 ,  G01M13/025

Abstract: 本发明公开了基于零试学习和潜在空间编码的旋转机械故障诊断方法，零试学习摆脱了传统深度学习对大量标注数据的依赖，可以使用少量标注数据实现对未知样本的故障诊断，潜在空间编码模型是一种新的编码—解码方法，该方法运用编码—解码的思路将视觉信息和语义信息在潜在空间进行交互，共享潜在空间。本发明不需要大量的标注数据进行训练，而且大大减轻了数据标注的成本损耗。通过在潜在空间学习测试集中未知类和训练集中已知类样本间的相似性，得到测试集未知类的高级语义特征进行未知样本的检测。本发明不仅提高网络的检测性能，减少了参数优化的过程，并且得到一个比较好的故障诊断效果。