-
公开(公告)号：CN111651937A
公开(公告)日：2020-09-11
申请号：CN202010496380.8
申请日：2020-06-03
Applicant: 苏州大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G01M13/045 , G06F119/02
Abstract: 本发明涉及一种变工况下滚动轴承的故障诊断方法，其在利用卷积神经网络学习模型的基础上，结合迁移学习的算法处理机械设备复杂多变的工况导致深度学习模型通用性变差的问题。本发明首先对不同工况下采集的数据进行切割划分样本，利用FFT对样本进行预处理，然后利用改进的ResNet-50提取样本的低层次特征，接着多尺度特征提取器从不同角度分析低层次特征得到高层次特征作为分类器的输入。在训练的过程中同时提取训练样本跟测试样本的高层次特征，计算两者的条件分布距离作为目标函数的一部分反向传播以实现类内自适应，降低域漂移的影响，使得深度学习模型能更好地胜任变工况下的故障诊断任务。
-
公开(公告)号：CN114429153B
公开(公告)日：2023-04-28
申请号：CN202111677774.4
申请日：2021-12-31
Applicant: 苏州大学
IPC: G06F18/2433 , G06F18/2415 , G06F18/241 , G06F18/214 , G06F18/21 , G06F18/213 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于终身学习的齿轮箱增量故障诊断方法及系统，包括以下步骤：S101：采集齿轮箱振动数据构建增量健康状态数据集，划分为不同阶段的故障诊断任务；S102：利用原始ResNet‑32网络学习初始阶段的故障诊断任务，构建初始阶段诊断模型；S103：利用初始阶段诊断模型初始化ResNet‑32双分支聚合网络，并根据新增的故障类型数量增加分类层神经元数量；S104：通过选取的典例和一阶段的故障诊断任务数据共同训练该阶段诊断模型，训练完成后，选取该阶段故障诊断任务数据的典例；S105：在后续增量阶段重复步骤S103‑S104，得到最终故障诊断模型，进行故障诊断。本发明以解决现有基于深度学习和迁移学习的故障诊断模型不能诊断实际的齿轮箱意外故障问题。
-
公开(公告)号：CN114004252A
公开(公告)日：2022-02-01
申请号：CN202111205972.0
申请日：2021-10-13
Applicant: 苏州大学
Abstract: 本发明公开了一种轴承故障诊断的方法、装置、设备以及计算机可读存储介质，包括：采集轴承振动信号构建多源域和目标域数据集，构建轴承故障诊断模型，将多源域和目标域的数据集进行处理，输入特征学习器中进行特征提取，根据提取的多源域和目标域的样本特征求取矩量距离，将每个源域样本特征输入对应的分类器中，输出预测标签，并与真实标签计算分类器交叉熵损失，利用矩量距离和分类器交叉熵损失构建模型的目标函数，利用类内对齐训练策略对模型进行训练；将目标域数据集输入完成训练的模型中，通过加权分类机制输出综合预测的结果，本发明采用了多源域迁移能够利用更加完善的故障信息，以便多种工况和多类型的故障诊断。
-
公开(公告)号：CN111829782B
公开(公告)日：2021-12-07
申请号：CN202010688208.2
申请日：2020-07-16
Applicant: 苏州大学
IPC: G01M13/045 , G06K9/62 , G06N20/10
Abstract: 本发明公开了一种基于自适应流形嵌入动态分布对齐的故障诊断方法，本方法通过自动计算最优的子空间维数，并计算测地线流式核和变换后的流形特征表示，可以有效地避免数据在原始欧式空间的特征扭曲。引入相似度度量A‑distance定义一个自适应因子，动态调整样本数据条件分布和边缘分布的相对权重，有效地缩小了源域和目标域样本的分布差异，极大提高了变工况下滚动轴承故障诊断的准确性和有效性，该方法可解释性强，对计算机硬件资源的要求较低，执行速度更快，同时具备出色的诊断精确度、算法收敛性和参数鲁棒性。该方法尤其适用于变工况下多场景、多故障的轴承故障诊断，可广泛地应用于机械、电力、化工、航空等复杂系统的多变工况下的故障诊断任务。
-
公开(公告)号：CN112414714A
公开(公告)日：2021-02-26
申请号：CN202011224083.4
申请日：2020-11-05
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于自适应流形概率分布的轴承故障诊断方法，包括以下步骤：先构建多个可迁移域和迁移任务；再利用傅里叶变换将每个迁移任务中的数据样本均转化为频域数据，并将频域数据输入GFK算法模型中，利用GFK算法模型计算出每个迁移任务中与轴承故障相关的流形特征表示矩阵；根据流形特征表示，计算出每个迁移任务中的目标域与源域中心的余弦距离，并定义域内分类器学习的目标函数；再对目标函数进行求解，得到目标域的概率分布矩阵；在概率分布矩阵中选择目标域内每个数据样本对应的最大概率值所对应的标签，作为该目标域数据样本的预测标签。本发明提升了轴承故障诊断的诊断正确率和诊断效率。
-
Patent Agency Ranking
公开(公告)号：CN112629863A
公开(公告)日：2021-04-09
申请号：CN202011632478.8
申请日：2020-12-31
Applicant: 苏州大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种变工况下动态联合分布对齐网络的轴承故障诊断方法，包括以下步骤：采集不同工况下的轴承振动数据，获得源域样本和目标域样本；构建动态联合分布对齐的深度卷积神经网络模型；将源域样本和目标域样本同时送入参数初始化的深度卷积神经网络模型，特征提取器提取源域样本和目标域样本的高层次特征；计算边缘分布距离和条件分布距离；根据边缘分布距离和条件分布距离获得联合分布距离，将联合分布距离与标签损失结合以获得目标函数；利用随机梯度下降法对目标函数进行优化，训练深度卷积神经网络模型。其能够降低域漂移的影响，使得深度学习模型能够很好完成变工况下的故障诊断任务，速度快，运算量小。
-
公开(公告)号：CN111829782A
公开(公告)日：2020-10-27
申请号：CN202010688208.2
申请日：2020-07-16
Applicant: 苏州大学
IPC: G01M13/045 , G06K9/62 , G06N20/10
Abstract: 本发明公开了一种基于自适应流形嵌入动态分布对齐的故障诊断方法，本方法通过自动计算最优的子空间维数，并计算测地线流式核和变换后的流形特征表示，可以有效地避免数据在原始欧式空间的特征扭曲。引入相似度度量A-distance定义一个自适应因子，动态调整样本数据条件分布和边缘分布的相对权重，有效地缩小了源域和目标域样本的分布差异，极大提高了变工况下滚动轴承故障诊断的准确性和有效性，该方法可解释性强，对计算机硬件资源的要求较低，执行速度更快，同时具备出色的诊断精确度、算法收敛性和参数鲁棒性。该方法尤其适用于变工况下多场景、多故障的轴承故障诊断，可广泛地应用于机械、电力、化工、航空等复杂系统的多变工况下的故障诊断任务。
-
公开(公告)号：CN111651937B
公开(公告)日：2023-07-25
申请号：CN202010496380.8
申请日：2020-06-03
Applicant: 苏州大学
IPC: G06F30/27 , G06N3/0464 , G06N3/047 , G06N3/096 , G01M13/045 , G06F119/02
Abstract: 本发明涉及一种变工况下滚动轴承的故障诊断方法，其在利用卷积神经网络学习模型的基础上，结合迁移学习的算法处理机械设备复杂多变的工况导致深度学习模型通用性变差的问题。本发明首先对不同工况下采集的数据进行切割划分样本，利用FFT对样本进行预处理，然后利用改进的ResNet‑50提取样本的低层次特征，接着多尺度特征提取器从不同角度分析低层次特征得到高层次特征作为分类器的输入。在训练的过程中同时提取训练样本跟测试样本的高层次特征，计算两者的条件分布距离作为目标函数的一部分反向传播以实现类内自适应，降低域漂移的影响，使得深度学习模型能更好地胜任变工况下的故障诊断任务。
-
公开(公告)号：CN114429153A
公开(公告)日：2022-05-03
申请号：CN202111677774.4
申请日：2021-12-31
Applicant: 苏州大学
Abstract: 本发明公开了一种基于终身学习的齿轮箱增量故障诊断方法及系统，包括以下步骤：S101：采集齿轮箱振动数据构建增量健康状态数据集，划分为不同阶段的故障诊断任务；S102：利用原始ResNet‑32网络学习初始阶段的故障诊断任务，构建初始阶段诊断模型；S103：利用初始阶段诊断模型初始化ResNet‑32双分支聚合网络，并根据新增的故障类型数量增加分类层神经元数量；S104：通过选取的典例和一阶段的故障诊断任务数据共同训练该阶段诊断模型，训练完成后，选取该阶段故障诊断任务数据的典例；S105：在后续增量阶段重复步骤S103‑S104，得到最终故障诊断模型，进行故障诊断。本发明以解决现有基于深度学习和迁移学习的故障诊断模型不能诊断实际的齿轮箱意外故障问题。
-
公开(公告)号：CN112629863B
公开(公告)日：2022-03-01
申请号：CN202011632478.8
申请日：2020-12-31
Applicant: 苏州大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种变工况下动态联合分布对齐网络的轴承故障诊断方法，包括以下步骤：采集不同工况下的轴承振动数据，获得源域样本和目标域样本；构建动态联合分布对齐的深度卷积神经网络模型；将源域样本和目标域样本同时送入参数初始化的深度卷积神经网络模型，特征提取器提取源域样本和目标域样本的高层次特征；计算边缘分布距离和条件分布距离；根据边缘分布距离和条件分布距离获得联合分布距离，将联合分布距离与标签损失结合以获得目标函数；利用随机梯度下降法对目标函数进行优化，训练深度卷积神经网络模型。其能够降低域漂移的影响，使得深度学习模型能够很好完成变工况下的故障诊断任务，速度快，运算量小。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
