-
公开(公告)号：CN116108346B
公开(公告)日：2024-11-22
申请号：CN202310126044.8
申请日：2023-02-17
Applicant: 苏州大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于生成特征重放的轴承增量故障诊断终身学习方法，包括：将轴承状态数据集划分为多个不同诊断阶段；学习初始阶段的灰度图片样本，训练第一特征提取器和第一分类器；使用第一特征提取器提取的特征，利用对抗生成网络交替训练，得到第一特征生成器；构建原始故障诊断模型，设置其全连接层神经元数量为初始阶段故障类型数量；在增量学习阶段，利用n‑1阶段的原始故障诊断模型，训练更新n阶段的故障诊断模型，利用特征蒸馏损失函数缩小第n特征提取器与第n‑1特征提取器提取的特征的差异，利用重放对齐损失约束第n特征生成器与第n‑1特征生成器生成的特征相似，更新全连接层神经元数量为初始阶段至第n阶段故障类型数量总和，得到最终故障诊断模型。
-
公开(公告)号：CN118133118A
公开(公告)日：2024-06-04
申请号：CN202410255566.2
申请日：2024-03-06
Applicant: 苏州大学
IPC: G06F18/241 , G06F18/2415 , G06F18/2131 , G06F18/10 , G06N3/096 , G01M13/045
Abstract: 本发明涉及一种轴承故障类型检测方法和系统，方法包括：采集各种故障类型的轴承振动信号并构建故障诊断数据集，并划分为初始任务和增量任务，并确定初始任务和增量任务的轴承故障类别数；利用ResNet‑18网络根据初始任务的数据与对应的轴承故障类别提取故障特征，构建初始故障诊断模型；在增量任务的当前增量阶段中，除获取当前增量阶段对应轴承故障类别的数据外，还结合初始任务和之前增量阶段的所有轴承故障类别及其数据，得到新的故障诊断模型；在所述新的故障诊断模型的训练过程中不断进行优化；利用优化好的新的故障诊断模型对待检测的轴承振动信号进行故障诊断。本发明能够对轴承故障类型进行有效检测。
-
公开(公告)号：CN115659224B
公开(公告)日：2023-08-25
申请号：CN202211406175.3
申请日：2022-11-10
Applicant: 苏州大学
IPC: G06F18/24 , G06F18/214 , G06F18/15 , G06N3/047
Abstract: 本发明实施例提供了一种概率引导的域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练；构建第一阶段目标函数，实现鉴别器和特征生成器参数的更新；构建第二阶段目标函数，实现分类器参数的更新，神经网络模型训练完成；将目标域数据集输入训练好的神经网络模型，实现轴承故障诊断。本发明方法解决了轴承故障诊断网络特征分类能力不足的问题，轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
公开(公告)号：CN116108346A
公开(公告)日：2023-05-12
申请号：CN202310126044.8
申请日：2023-02-17
Applicant: 苏州大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于生成特征重放的轴承增量故障诊断终身学习方法，包括：将轴承状态数据集划分为多个不同诊断阶段；学习初始阶段的灰度图片样本，训练第一特征提取器和第一分类器；使用第一特征提取器提取的特征，利用对抗生成网络交替训练，得到第一特征生成器；构建原始故障诊断模型，设置其全连接层神经元数量为初始阶段故障类型数量；在增量学习阶段，利用n‑1阶段的原始故障诊断模型，训练更新n阶段的故障诊断模型，利用特征蒸馏损失函数缩小第n特征提取器与第n‑1特征提取器提取的特征的差异，利用重放对齐损失约束第n特征生成器与第n‑1特征生成器生成的特征相似，更新全连接层神经元数量为初始阶段至第n阶段故障类型数量总和，得到最终故障诊断模型。
-
公开(公告)号：CN115773883B
公开(公告)日：2024-08-20
申请号：CN202211405383.1
申请日：2022-11-10
Applicant: 苏州大学
IPC: G01M13/045 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/082
Abstract: 本发明实施例提供了一种双生成器协同域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将源域样本图片和目标域样本图片输入模型进行训练，获得两个不同的特征生成器；将特征生成器两个生成特征，融合成新的特征；更新两个特征生成器、分类器和鉴别器的参数；将目标域数据集输入训练好模型，实现轴承故障诊断。本发明轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
Patent Agency Ranking
公开(公告)号：CN106874957A
公开(公告)日：2017-06-20
申请号：CN201710107655.2
申请日：2017-02-27
Applicant: 苏州大学
CPC classification number: G06K9/6256 , G01M13/04 , G06K9/6269
Abstract: 本发明涉及一种滚动轴承故障诊断方法，其利用卷积神经网络理论的学习算法完成故障诊断所需的特征提取任务，可以不依赖人工选择，由简单到复杂、由低级到高级自动地提取输入数据的本质特征，并能自动挖掘出隐藏在已知数据中的丰富信息；此外，采用了支持向量回归方法对测试样本进行分类识别，支持向量回归具有强大的泛化能力，对未知的新样本进行识别具有更好的精度，采用支持向量回归作为分类器对样本进行分类识别，可以克服深度学习默认的分类器泛化能力一般的缺点。本发明能够提高滚动轴承故障诊断的准确性和有效性，为解决滚动轴承故障诊断问题提供一种新的有效途径，可广泛应用于化工、冶金、电力、航空等领域的复杂机械系统故障诊断中。
-
公开(公告)号：CN116465630A
公开(公告)日：2023-07-21
申请号：CN202310121756.0
申请日：2023-02-16
Applicant: 苏州大学
IPC: G01M13/045 , G06F18/241 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/096
Abstract: 本发明涉及一种基于元迁移学习的轴承小样本故障诊断方法和系统，方法包括：采集不同工况下的轴承振动信号；对轴承振动信号进行快速傅里叶变换，并将变换后的轴承振动信号转换为二维特征图片集，二维特征图片集包括第一样本和第二样本；通过第一样本训练深度学习卷积网络，并保留训练后网络的特征提取器，同时剔除训练后网络的第一分类器，其中，所述第一分类器用于第一样本的分类；基于所述特征提取器和第二分类器构建模型，通过元迁移学习对模型中当前故障诊断任务的神经元参数进行优化，使特征提取器自适应其他所有故障诊断任务，其中,所述当前故障诊断任务为基于所述第二样本的故障诊断任务。本发明可以出色地解决小样本故障诊断问题。
-
公开(公告)号：CN115773883A
公开(公告)日：2023-03-10
申请号：CN202211405383.1
申请日：2022-11-10
Applicant: 苏州大学
IPC: G01M13/045 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/082
Abstract: 本发明实施例提供了一种双生成器协同域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将源域样本图片和目标域样本图片输入模型进行训练，获得两个不同的特征生成器；将特征生成器两个生成特征，融合成新的特征；更新两个特征生成器、分类器和鉴别器的参数；将目标域数据集输入训练好模型，实现轴承故障诊断。本发明轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
公开(公告)号：CN115659224A
公开(公告)日：2023-01-31
申请号：CN202211406175.3
申请日：2022-11-10
Applicant: 苏州大学
IPC: G06F18/24 , G06F18/214 , G06F18/15 , G06N3/047
Abstract: 本发明实施例提供了一种概率引导的域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练；构建第一阶段目标函数，实现鉴别器和特征生成器参数的更新；构建第二阶段目标函数，实现分类器参数的更新，神经网络模型训练完成；将目标域数据集输入训练好的神经网络模型，实现轴承故障诊断。本发明方法解决了轴承故障诊断网络特征分类能力不足的问题，轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
公开(公告)号：CN206504868U
公开(公告)日：2017-09-19
申请号：CN201720131877.3
申请日：2017-02-14
Applicant: 苏州大学
IPC: G01M13/04
Abstract: 本实用新型提供一种滚动轴承振动测试装置，包括底座、驱动电机、与驱动电机连接的传动轴，所述传动轴的输入输出端分别连接有同轴线的滚动轴承，两所述滚动轴承均连接有轴承座，还包括对所述滚动轴承提供径向加载力的径向加载机构，所述径向加载机构包括加载轴承、套设在加载轴承上的加载轴承套、通过加载轴承套与加载轴承径向连接的S型数显推拉力计、其中一端与S型数显推拉力计通过橡胶垫圈和螺杆连接的缓冲块、其中一端与缓冲块连接的丝杆、通过丝母与丝杆另一端连接的加载座。本实用新型克服了现有加载装置复杂、加载调节难度大、布局不合理和传动结构复杂等缺点。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.021 seconds)
