-
公开(公告)号：CN118468724B
公开(公告)日：2025-04-11
申请号：CN202410685948.9
申请日：2024-05-30
Applicant: 苏州大学
IPC: G06F30/27 , G06F30/17 , G06N3/094 , G06N3/045 , G06F18/241 , G06F18/214 , G06F119/04
Abstract: 本发明提供一种差异性对齐指导下域对抗网络机械设备RUL预测方法及系统，涉及机械RUL预测和机器学习技术领域，该方法包括采集来自不同工况、不同故障类型的传感器信号并处理成输入样本；构造特征提取器，域鉴别器和差异提取器；利用源域样本序列对特征提取器和域鉴别器进行预训练；将预训练的特征提取器和域鉴别器移至训练阶段，以进行鉴别源域样本和目标域样本；充分训练本方法至收敛，并利用训练良好的特征提取器和域鉴别器对测试样本进行预测，获得方法的预测性能。本发明可以实现跨工况下域不变特征提取和差异目标域剩余寿命侦测，具有极佳的跨域RUL效果。
-
公开(公告)号：CN118163834B
公开(公告)日：2025-04-04
申请号：CN202410226006.4
申请日：2024-02-29
Applicant: 苏州大学
Abstract: 本发明涉及一种轨道交通走行轨绝缘破损定位装置和方法，装置包括间隔预设距离的第一检测装置和第二检测装置，第一检测装置和第二检测装置之间存在粗定位的绝缘破损点，所述绝缘破损点位于轨道交通的第一走行轨条或第二走行轨条上，方法包括第一检测装置和第二检测装置对应的钢轨均不存在钢轨焊缝时的走行轨绝缘破损定位方法、以及第一检测装置或第二检测装置对应的钢轨存在钢轨焊缝时的走行轨绝缘破损定位方法。本发明的装置简单易用，能够对走行轨绝缘破损点进行准确定位。
-
公开(公告)号：CN116007937B
公开(公告)日：2024-09-06
申请号：CN202211575101.2
申请日：2022-12-08
Applicant: 苏州大学
IPC: G01M13/028 , G06F18/15 , G06F18/213 , G06F18/24 , G06F18/214 , G06F18/2415 , G06N3/0455 , G06N3/0895
Abstract: 本发明涉及机械设备智能运维技术领域，尤其是指一种机械设备传动部件智能故障诊断方法及装置。本发明采集不同工况下的振动信号作为训练样本，避免了由于工况改变导致模型性能下降的问题，通过建立自监督预训练网络，充分利用了容易获取的无标签样本训练网络，使网络能够提取更有效的特征，减少对标签样本的依赖；另外，通过基于自注意力机制的编码器模型和解码器模型，提取更全面的全局特征，同时抑制冗余特征，增强有效特征，无需通过预处理对输入数据进行预增强，提高了诊断效率。
-
公开(公告)号：CN118228167A
公开(公告)日：2024-06-21
申请号：CN202410226005.X
申请日：2024-02-29
Applicant: 苏州大学
IPC: G06F18/2433 , G06F18/214 , G06N3/0464 , G01R31/52 , G01R31/56
Abstract: 本发明涉及一种轨道交通走行轨接地故障诊断方法和系统，其中，方法包括：在轨道交通线路试车阶段，将线路划分为若干区段，在线路的不同区段设置接地故障；获取各个区段的若干特征量并进行数据预处理，形成源域工况数据集；在轨道交通线路运营阶段，获取各个区段的若干特征量并进行数据预处理，形成目标域工况数据集；通过所述源域工况数据集和目标域工况数据集对神经网络架构进行训练，得到训练好的神经网络架构；重新获取各个区段的若干特征量并进行数据预处理，形成待检测的数据集，通过训练好的神经网络架构对所述待检测的数据集进行故障诊断，判断接地故障所在的区段。本发明能够对走行轨的接地故障进行有效检测。
-
公开(公告)号：CN117493964A
公开(公告)日：2024-02-02
申请号：CN202311507030.7
申请日：2023-11-13
Applicant: 苏州大学
IPC: G06F18/241 , G01M13/045 , G06F18/214 , G06F18/213 , G06N3/0895
Abstract: 本发明涉及一种基于半监督类别增量的轴承故障诊断方法及系统，所述方法包括：获取原始振动信号；根据所述原始振动信号生成数据流；所述数据流包括第一数据集和第二数据集；根据所述第一数据集训练半监督类别增量模型，生成初始化模型；所述初始化模型包括特征提取器和分类器；将所述第二数据集输入至所述特征提取器生成第二数据集特征矩阵；所述第二数据集特征矩阵通过半监督类别增量规则更新所述分类器，以生成第一模型和输出权重；根据所述输出权重确定轴承故障类别。通过引入半监督学习算法和增量学习策略，能够在仅使用少量标记样本的情况下，利用大量未标记样本进行模型训练。有助于提高轴承故障诊断的准确性和效率。
-
Patent Agency Ranking
公开(公告)号：CN111666877B
公开(公告)日：2023-08-29
申请号：CN202010507311.2
申请日：2020-06-05
Applicant: 苏州大学
IPC: G06F18/2131 , G06F18/25
Abstract: 本发明公开了一种基于变参小波流形的旋转机械微弱故障检测方法。本发明一种基于变参小波流形的旋转机械微弱故障检测方法，包括：步骤(1)、选定母小波，给定小波参数的1个取值组合，确定信号分析的尺度范围；步骤(2)、对信号进行CWT处理，计算各尺度下的小波包络；步骤(3)、按照给定指标从整个尺度带内选择包含最多故障信息的1个小波包络，即故障小波包络。本发明的有益效果：本发明提取信号在不同小波参数下的故障小波包络，利用流形学习卓越的特征挖掘能力，从高维变参小波包络中提取出具有稳定结构的脉冲包络，去除带内噪声，实现对微弱故障脉冲包络的有效检测。
-
公开(公告)号：CN113935460B
公开(公告)日：2023-08-11
申请号：CN202111136682.5
申请日：2021-09-27
Applicant: 苏州大学
IPC: G06F18/2433 , G06F18/10 , G06F18/214 , G06F18/241 , G06N3/0455 , G06N3/084 , G06F18/2411 , G06F18/243 , G06N3/0464 , G06N3/048
Abstract: 本发明类不平衡数据集下的机械故障智能诊断方法，包括：步骤(1)、数据预处理：把机械振动信号转换到频域，并把幅值归一化到[0,1]范围；步骤(2)、模型搭建：把自动编码器和生成对抗网络进行组合，搭建数据生成模型；步骤(3)、模型训练：利用故障数据按照预设的损失函数和优化算法训练所述数据生成模型；步骤(4)、数据生成：利用所述数据生成模型在训练中学习到的故障数据低维特征，通过多次插值、加噪后生成对应类的故障数据，实现各类数据平衡；步骤(5)、故障诊断：利用类平衡数据集训练预设的故障诊断模型，利用训练好的故障诊断模型对机械故障进行智能诊断。利用自动编码器、生成对抗网络的结合，实现机械故障诊断。
-
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：CN115683629A
公开(公告)日：2023-02-03
申请号：CN202211398933.1
申请日：2022-11-09
Applicant: 苏州大学
IPC: G01M13/045 , G06F17/15
Abstract: 本发明涉及一种轴承故障检测方法包括：获取测试轴承的振动加速度时域信号，经短时傅里叶变换生成时频域系数矩阵；利用广义极小极大凹罚函数与截断核范数构建稀疏低秩优化模型的凸性目标函数；利用交替方向乘子法将凸性目标函数拆分成关于广义极小极大凹罚函数的第一子目标函数、关于截断核范数的第二子目标函数与辅助迭代函数；利用前向后向分裂算法求解第一子目标函数得关于Xk+1的迭代公式组；利用奇异值阈值算法求解第二目标子函数得关于Zk+1的迭代公式；初始化参数，将时频域系数矩阵输入辅助迭代函数中，迭代预设次数获取时频域稀疏低秩矩阵；对时频域稀疏低秩矩阵进行短时傅里叶逆变换得到重构时域信号后，进行平方包络谱分析，得到故障特征频率。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.035 seconds)
