公开(公告)号：CN116011507A

公开(公告)日：2023-04-25

申请号：CN202211554474.1

申请日：2022-12-06

Applicant: 东北林业大学

Inventor： 谢怡宁 ,  陈鸿展 ,  关国辉 ,  阳开华 ,  柳秀

IPC: G06N3/0455 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0985 ,  G06F17/14

Abstract: 融合元学习与图神经网络的稀有故障诊断方法，本发明涉及航空发附机匣标记监测数据有限，并且在实际应用中训练数据域与目标数据域存在差异导致模型诊断性能下降的问题。在实际工业环境中，同一机台可能出现新的故障类别，机台的运行状态也会随着工作场景做出切换，导致源域和目标域之间存在分布差异，这时训练好的模型就会失效。为了改善这一问题，本发明提出了一种基于元学习的融合图神经网络稀有故障诊断方法。实验表明，本文方法在公共数据集及航空发附机匣数据集上均优于传统的稀有故障诊断方法。本发明应用于航空发附机匣的小样本故障诊断。

公开(公告)号：CN117520848A

公开(公告)日：2024-02-06

申请号：CN202311542573.2

申请日：2023-11-20

Applicant: 东北林业大学

Inventor： 谢怡宁 ,  高聪 ,  石江涛 ,  阳开华 ,  赵志超

IPC: G06F18/214 ,  G06F18/10 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/094 ,  G06N3/0464 ,  G06N3/048

Abstract: 基于多通道融合的变体生成对抗网络故障数据生成方法，本发明涉及工业生产中，振动故障数据质量低，故障数据严重稀缺的问题。振动故障数据在工业领域中具有关键作用，可用于确保设备的可靠性，提高生产效率、降低成本，提高工作环境的安全性。然而在工业生产中，工业设备发生故障事件的概率较低，故障数据的收集相当受限，且涉及数据隐私问题，各工厂间数据无法互通和共享，振动故障数据严重稀缺。为改善这一问题，本发明提出了基于多通道融合的变体生成对抗网络故障数据生成方法。实验表明，该方法能够有效的解决各工厂故障数据稀缺的问题，生成的数据逼真、连续、质量高，同时保证了故障数据的隐私性。本发明应用于工厂故障数据稀缺的情况。