-
公开(公告)号：CN118779730B
公开(公告)日：2025-01-10
申请号：CN202411276744.6
申请日：2024-09-12
Applicant: 南京信息工程大学
IPC: G06F18/241 , G06F18/22 , G06N3/0895
Abstract: 本发明公开了一种设备未知工况下基于自监督单域泛化的故障诊断方法，通过自监督对比学习框架，提取振动信号特征，解决了现有诊断模型在复杂工况中泛化能力不足的问题。该方法包括以下步骤：获得轴承振动信号数据。预处理振动信号，分割训练集和测试集。构建数据增强库。构建自监督学习框架，以对比为目标解决实例分类问题。对振动信号进行数据增强。使用动量对比对模型进行训练，得到特征提取器并微调。应用训练好的模型对新振动信号进行分类，得到其健康状态类型。本发明降低了获取故障标签的成本，提升了诊断模型在复杂工况中的适用性。
-
公开(公告)号：CN118760985B
公开(公告)日：2024-11-26
申请号：CN202411255717.0
申请日：2024-09-09
Applicant: 南京信息工程大学
IPC: G06F18/2415 , G06F18/25 , G06F18/214 , G06F18/213 , G06F18/20 , G01M7/02
Abstract: 本发明公开了一种基于蒸馏学习与特征融合的变工况智能故障诊断方法，包括：第一步，对振动信号进行幅相增强得到增强信号。第二步，将增强信号输入蒸馏学习模块中得到增强特征。第三步，对经过快速傅里叶变换的振动信号提取频域特征。第四步，原始的振动信号输入时域特征提取模块，根据增强特征，通过知识蒸馏方法提取域不变特征。第五步，将增强特征、时域特征以及频域特征进行拼接后通过表征自挑战学习增强特征跨域泛化能力，并将特征送入到分类器中进行分类。第六步，将故障信号输入训练好的网络进行诊断。本发明提取并融合更为丰富的特征，强化模型对于域不变表示的学习，相较于现有模型泛化性能显著增强。
-
公开(公告)号：CN118760985A
公开(公告)日：2024-10-11
申请号：CN202411255717.0
申请日：2024-09-09
Applicant: 南京信息工程大学
IPC: G06F18/2415 , G06F18/25 , G06F18/214 , G06F18/213 , G06F18/20 , G01M7/02
Abstract: 本发明公开了一种基于蒸馏学习与特征融合的变工况智能故障诊断方法，包括：第一步，对振动信号进行幅相增强得到增强信号。第二步，将增强信号输入蒸馏学习模块中得到增强特征。第三步，对经过快速傅里叶变换的振动信号提取频域特征。第四步，原始的振动信号输入时域特征提取模块，根据增强特征，通过知识蒸馏方法提取域不变特征。第五步，将增强特征、时域特征以及频域特征进行拼接后通过表征自挑战学习增强特征跨域泛化能力，并将特征送入到分类器中进行分类。第六步，将故障信号输入训练好的网络进行诊断。本发明提取并融合更为丰富的特征，强化模型对于域不变表示的学习，相较于现有模型泛化性能显著增强。
-
公开(公告)号：CN118606799A
公开(公告)日：2024-09-06
申请号：CN202411082944.8
申请日：2024-08-08
Applicant: 南京信息工程大学
IPC: G06F18/241 , G01M13/045 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种基于原始振动信号的深宽度故障诊断方法，针对边缘网关设备计算能力不足的情况或是故障诊断实时性需求较高的场景。该方法包括：获得原始振动信号数据以及标签值。对原始振动信号进行预处理，分割训练集和测试集。将预处理后的训练集输入第一层深度可分离卷积网络。输入测试集，得到预测输出以及残差输出。将残差输出作为第二层深度可分离卷积网络的训练集输入，得到第二个预测输出。将第一层预测输出与第二层预测输出相加得到预测输出。本发明基于原始振动信号的深宽度故障诊断方法更好地实现了在边缘网关设备计算能力不足以及故障诊断实时性要求高下的智能故障诊断。
-
公开(公告)号：CN117932413A
公开(公告)日：2024-04-26
申请号：CN202410340224.0
申请日：2024-03-25
Applicant: 南京信息工程大学
IPC: G06F18/24 , G06F18/213 , G06F18/214 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，针对域偏移以及目标域故障样本稀缺的场景。该方法包括如下步骤：第一步，通过一维循环一致性对抗生成网络，利用源域样本以及目标域正常状态样本生成辅助训练样本。第二步，通过源域样本及辅助训练样本构建新训练集。第三步，通过训练数据来训练特征提取器，获得原始特征。第四步，通过特征筛选进一步获得处理后特征。第五步，对处理后特征进行分类，并对子模型的输出进行分布对齐。第六步，将故障信号输入训练好的网络进行诊断。本发明的变工况下基于风格迁移的高泛化性机器故障智能诊断方法更好地实现了变工况目标域故障样本缺失场景下的智能诊断。
-
Patent Agency Ranking
公开(公告)号：CN119961813A
公开(公告)日：2025-05-09
申请号：CN202510446218.8
申请日：2025-04-10
Applicant: 南京信息工程大学
IPC: G06F18/2431 , G01M15/14 , G06F18/2415 , G06F18/2131 , G06F18/15 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种航空发动机故障诊断方法、装置、存储介质及设备，属于航空发动机故障诊断技术领域，方法包括获取航空发动机上设定位置的振动信号，经预处理后得到预处理后的振动信号；将预处理后的振动信号输入到训练好的改进二值神经网络中，得到该位置的故障诊断结果；改进二值神经网络相对二值神经网络的改进之处包括：将所有卷积核和全连接层的权重进行二值化处理；将深度可分离卷积模块执行的操作改进为：将预处理后的振动信号转换到频域中后再进行深度卷积，然后将深度卷积的输出转换回时域中进行逐点卷积；在稀疏残差块模块的每个残差块中通过设定的稀疏掩码遮蔽稀疏残差块模块的输入的部分通道。本发明通过改进模型实现故障的高效诊断。
-
公开(公告)号：CN119128611B
公开(公告)日：2025-04-29
申请号：CN202411612985.3
申请日：2024-11-13
Applicant: 南京信息工程大学
IPC: G06F18/24 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0895
Abstract: 本发明公开了一种基于不平衡无标签监测数据自监督的智能故障诊断方法，第一步，准备大量无标签数据作为自监督训练数据，准备有标签数据，并分割为有监督训练数据和测试数据；第二步，基于三种增强方法的无标签数据增强；第三步，构建包含特征提取和特征映射的自监督网络；第四步，通过逆注意力挑选稀少类别数据对应特征；第五步，基于挑选特征进行噪声对比估计损失函数设计，并优化自监督网络；第六步，基于自监督预训练后的特征提取网络，通过少量有标签故障数据进行诊断网络的调整；第七步，将监测信号输入上述训练好的网络。本发明更契合实际监测数据无健康状态标签与类型不平衡问题，提高了现有故障诊断网络的诊断能力。
-
公开(公告)号：CN119128551B
公开(公告)日：2025-03-25
申请号：CN202411621782.0
申请日：2024-11-14
Applicant: 南京信息工程大学
IPC: G06F18/22 , G06F18/214 , G06F18/24 , G06F18/10 , G06N3/0442 , G06N3/08 , G01M13/045
Abstract: 本发明公开了一种基于时序特征线性调制智能超采样的故障诊断方法，通过对信号采样率的提升，补充高频段细节，增强故障诊断性能。步骤包括：获得原始振动信号。对原始振动信号进行预处理，通过降采样得到低采样率信号。配对低采样率信号和原始振动信号，用于智能超采样网络训练。构建超采样率模型，实现超采样率信号的预测输出。构建故障诊断模型，学习信号故障分类的特征。将训练集输入超采样率故障诊断模型对模型进行训练。将振动信号输入训练好的模型，得到超采样率信号，对超采样率信号进行分类，得到其健康状态类型。本发明的故障诊断模型更好地解决了在面对低采样率信号时诊断性能较差的难题同时较为真实地恢复了信号的高频信息。
-
公开(公告)号：CN119128611A
公开(公告)日：2024-12-13
申请号：CN202411612985.3
申请日：2024-11-13
Applicant: 南京信息工程大学
IPC: G06F18/24 , G06F18/213 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/0895
Abstract: 本发明公开了一种基于不平衡无标签监测数据自监督的智能故障诊断方法，第一步，准备大量无标签数据作为自监督训练数据，准备有标签数据，并分割为有监督训练数据和测试数据；第二步，基于三种增强方法的无标签数据增强；第三步，构建包含特征提取和特征映射的自监督网络；第四步，通过逆注意力挑选稀少类别数据对应特征；第五步，基于挑选特征进行噪声对比估计损失函数设计，并优化自监督网络；第六步，基于自监督预训练后的特征提取网络，通过少量有标签故障数据进行诊断网络的调整；第七步，将监测信号输入上述训练好的网络。本发明更契合实际监测数据无健康状态标签与类型不平衡问题，提高了现有故障诊断网络的诊断能力。
-
公开(公告)号：CN118606799B
公开(公告)日：2024-11-08
申请号：CN202411082944.8
申请日：2024-08-08
Applicant: 南京信息工程大学
IPC: G06F18/241 , G01M13/045 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种基于原始振动信号的深宽度故障诊断方法，针对边缘网关设备计算能力不足的情况或是故障诊断实时性需求较高的场景。该方法包括：获得原始振动信号数据以及标签值。对原始振动信号进行预处理，分割训练集和测试集。将预处理后的训练集输入第一层深度可分离卷积网络。输入测试集，得到预测输出以及残差输出。将残差输出作为第二层深度可分离卷积网络的训练集输入，得到第二个预测输出。将第一层预测输出与第二层预测输出相加得到预测输出。本发明基于原始振动信号的深宽度故障诊断方法更好地实现了在边缘网关设备计算能力不足以及故障诊断实时性要求高下的智能故障诊断。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.01 seconds)
