公开(公告)号：CN116756483B

公开(公告)日：2024-06-21

申请号：CN202310508808.X

申请日：2023-05-08

Applicant: 苏州大学

Inventor： 王俊 ,  任贺 ,  黄伟国 ,  石娟娟 ,  杜贵府

IPC: G06F18/00 ,  G06F18/10 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/08 ,  G06F123/02

Abstract: 本发明涉及一种目标工况数据不可用下的机械故障诊断方法，包括将采集的机械振动时域信号进行截取，统一样本长度并进行幅值归一化，得到数据集，并划分为多源域数据集与目标域数据集；构建域间不变表示学习网络分支，提取域间不变特征；构建域内不变表示学习网络分支，提取域内不变特征；构建融合分类器，融合域间不变特征与域内不变特征后，预测其故障类别标签；构建包括域间不变表示学习网络分支、域内不变表示学习网络分支与融合分类器的故障诊断训练模型；输入多源域数据集中的样本，利用相互学策略、特征差异最大化策略、损失函数与优化算法进行模型训练，获取训练好的故障诊断训练模型；输入目标域数据集中的样本，获取样本的故障类别。

公开(公告)号：CN116756483A

公开(公告)日：2023-09-15

申请号：CN202310508808.X

申请日：2023-05-08

Applicant: 苏州大学

Inventor： 王俊 ,  任贺 ,  黄伟国 ,  石娟娟 ,  杜贵府

IPC: G06F18/00 ,  G06F18/10 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/08 ,  G06F123/02

Abstract: 本发明涉及一种目标工况数据不可用下的机械故障诊断方法，包括将采集的机械振动时域信号进行截取，统一样本长度并进行幅值归一化，得到数据集，并划分为多源域数据集与目标域数据集；构建域间不变表示学习网络分支，提取域间不变特征；构建域内不变表示学习网络分支，提取域内不变特征；构建融合分类器，融合域间不变特征与域内不变特征后，预测其故障类别标签；构建包括域间不变表示学习网络分支、域内不变表示学习网络分支与融合分类器的故障诊断训练模型；输入多源域数据集中的样本，利用相互学策略、特征差异最大化策略、损失函数与优化算法进行模型训练，获取训练好的故障诊断训练模型；输入目标域数据集中的样本，获取样本的故障类别。

公开(公告)号：CN117056805A

公开(公告)日：2023-11-14

申请号：CN202311025062.3

申请日：2023-08-15

Applicant: 苏州大学

Inventor： 王俊 ,  任贺 ,  黄伟国 ,  沈长青 ,  朱忠奎

IPC: G06F18/241 ,  G06F18/214 ,  G06F18/213 ,  G06N3/0499 ,  G06N3/09

Abstract: 本发明公开了一种不可见工况下单源域泛化智能诊断方法，包括以下步骤：(1)获取时域信号即源域数据并进行预处理；(2)建立域生成模块G、建立特征提取器F、建立分类头C、建立投影头P；(3)构建故障诊断训练模型；(4)根据损失函数和优化算法进行模型训练；(5)在线故障诊断；本发明模型可在单源域上进行训练并提高其泛化能力；模型在应用于训练阶段不可见的目标域时故障诊断准确率高；故障诊断模型的适用范围广。

公开(公告)号：CN116089812A

公开(公告)日：2023-05-09

申请号：CN202211558882.4

申请日：2022-12-06

Applicant: 苏州大学

Inventor： 王俊 ,  任贺 ,  石娟娟 ,  丁传仓 ,  朱忠奎

IPC: G06F18/213 ,  G06F18/214 ,  G06F18/24 ,  G06N3/0475 ,  G06N3/0895 ,  G06N3/094

Abstract: 本发明公开了一种基于半监督对抗域泛化智能模型的故障诊断方法。本发明基于半监督对抗域泛化智能模型的故障诊断方法以域对抗神经网络为基础，采用半监督学习的方式，通过提出域模糊策略来消除多源域之间的数据分布差异，学习标记的源域和未标记的源域中与分布无关的表示，提取域不变特征，并且引入度量学习来促进模型学习特征的类内聚集性和类间可分性，提高特征的可判别性，从而极大提高机械故障诊断模型的泛化能力，实现未知工况下的半监督机械健康状态智能识别，识别精度高。