-
公开(公告)号：CN116010818A
公开(公告)日：2023-04-25
申请号：CN202310065639.7
申请日：2023-01-13
Applicant: 重庆邮电大学工业互联网研究院
IPC: G06F18/214 , G06F18/241 , G06N3/084 , G06F18/213
Abstract: 本发明属于齿轮箱故障诊断技术领域，具体涉及一种基于边界增强原型网络的齿轮箱故障诊断方法；该方法包括：获取齿轮箱历史故障数据并划分为训练集和测试集；对训练集进行故障特征提取；采用具有时序学习能力的时序注意力模块处理故障特征，得到关键时序特征；根据关键时序特征计算类原型；根据类原型和关键时序特征的分布信息计算近邻边界度量损失；判断齿轮箱故障类别并计算分类损失；根据度量损失和分类损失计算总损失并优化网络参数，得到训练好的边界增强原型网络；将测试集中输入训练好的边界增强原型网络中，得到齿轮箱故障诊断结果；本发明可提取故障状态更敏感的关键时序特征，修正度量空间中的特征分布，提高齿轮箱的故障诊断精度。
-
公开(公告)号：CN115933413A
公开(公告)日：2023-04-07
申请号：CN202310078206.5
申请日：2023-01-18
Applicant: 重庆邮电大学工业互联网研究院
IPC: G05B13/04
Abstract: 本发明属于自动化控制领域，具体涉及一种针对网络控制系统的基于预设性能的自适应反演滑模控制方法，包括：将带有不确定时延的非线性网络控制系统模型转换为不含有不确定时延的系统模型；定义系统跟踪误差指标和预设性能轨迹，将受约束的系统跟踪误差指标转化为新的无约束误差指标；定义包含中间虚拟控制信号的新系统状态误差，并对系统模型进行坐标转换；设计滑模函数和李雅普诺夫函数，并采用自适应神经网络函数对网络干扰进行估计，获得系统输入信号控制率；本发明利用网络干扰概念，在不需要限定延时或者延时导数上限的情况下，有效地解决网络控制系统的时延问题，并通过设计预设性能指标完成对系统的控制，保证了系统的动态和稳态性能。
-
公开(公告)号：CN118965259A
公开(公告)日：2024-11-15
申请号：CN202410995990.0
申请日：2024-07-24
Applicant: 重庆邮电大学工业互联网研究院
IPC: G06F18/25 , G06F18/24 , G06F18/10 , G06F18/2131 , G06N3/045 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及工业智能预测性维护领域，特别涉及一种基于可解释深度特征融合网络的工业智能预测性维护方法，包括：获取含有噪声的齿轮箱振动数据；通过建立具有物理信息约束的可解释特征提取模块对获取数据的特征进行初步的提取和噪声抑制；利用具有全局和局部特征融合能力的双分支特征融合模块整合包括长距离依赖和局部依赖的多尺度特征；利用分类器将高维特征进行降维输出得到最终故障识别结果；并对模型的诊断流程进行可解释性分析。本发明通过将具有确定物理理论支撑的信号处理技术嵌入到深度神经网络中，在提升模型故障识别准确率的同时，有效提高了模型推理结果的可解释性和可靠性。
-
公开(公告)号：CN118673470A
公开(公告)日：2024-09-20
申请号：CN202410689012.3
申请日：2024-05-30
Applicant: 重庆邮电大学工业互联网研究院
IPC: G06F18/27 , G06N3/094 , G06N3/084 , G06F18/213
Abstract: 本发明涉及一种滚动轴承剩余寿命预测方法和系统，该方法包括：获取待预测的样本数据，将其输入到训练好的剩余寿命预测神经网络中获得输出预测结果，剩余寿命预测神经网络包括特征编码器和回归预测器，在其训练过程中，利用特征编码器从源域样本数据中初步提取特征；利用时间混合对比域适应训练模块计算对比损失，利用对比损失迭代训练特征编码器，实现从目标域样本数据特征中进一步提取互信息作为一种高级特征；利用细粒度结构域适应训练模块计算域判别损失和源域样本数据和目标域样本数据之间的细粒度匹配程度，利用域判别损失和细粒度匹配程度迭代训练特征编码器，实现进一步提取源域与目标域之间的域不变特征。该系统包括：输入接口、输出接口、处理器、计算机可读存储介质和存储的程序指令，其中，处理器调取程序指令进行剩余寿命预测神经网络训练；调取训练好的剩余预测神经网络的程序指令，指令特征提取器对所述待检测的滚动轴承振动数据进行特征提取，将提取的特征输入回归预测器进行预测处理，得到预测结果。本发明有效地提高滚动轴承剩余使用寿命预测结果的准确率。
-
-
-
Search Results
4
records
(took 0.037 seconds)
