公开(公告)号：CN109635677A

公开(公告)日：2019-04-16

申请号：CN201811406982.9

申请日：2018-11-23

Applicant: 华南理工大学

Inventor： 李巍华 ,  刘龙灿 ,  黄如意

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

CPC classification number: G06K9/00523 ,  G06K9/00536 ,  G06N3/0454 ,  G06N3/0481 ,  G06N3/08

Abstract: 本发明公开了一种基于多标签分类卷积神经网络的复合故障诊断方法及装置，所述方法包括步骤：步骤1：采集并提取单一故障和复合故障工况下的振动加速度信号样本；步骤2：对于每个样本按类型给定标签后划分为训练集和测试集；步骤3：搭建深层一维卷积神经网络，设置Sigmoid激活函数和边界损失函数Margin Loss；步骤4：直接将训练集振动数据输入搭建的深层一维卷积神经网络中进行训练；步骤5：通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。本发明使分类器自适应地为复合故障输出多个标签，不但故障诊断精度高，且能克服传统分类器只能输出一个标签的局限性，实现对复合故障的诊断。

公开(公告)号：CN115438714A

公开(公告)日：2022-12-06

申请号：CN202210916564.4

申请日：2022-08-01

Applicant: 华南理工大学

Inventor： 李巍华 ,  杨万胜 ,  陈祝云 ,  晋刚 ,  陈浚彬 ,  廖奕校 ,  黄如意

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06N20/00

Abstract: 本发明公开了一种分簇式联邦学习驱动的机械故障诊断方法、装置及介质，其中方法包括：在中心服务器上构建故障诊断模型，将模型参数发送至客户端；客户端对故障诊断模型进行优化，将特征表示向量和模型参数发送至中心服务器；利用K‑means聚类算法对表示向量进行分簇，计算聚类轮廓系数；根据聚类轮廓系数，对客户端的模型参数采用对应的参数更新策略进行更新，并将更新后的模型参数发送给对应的客户端；中心服务器与客户端通讯次数达到预设迭代次数时，完成模型训练。本发明在满足维护客户端的机械设备数据隐私的同时，提高了旋转机械设备关键部件故障诊断的准确率，更有利地保证了安全生产。本发明可广泛应用于旋转机械设备故障诊断领域。

公开(公告)号：CN110361176B

公开(公告)日：2021-11-19

申请号：CN201910486472.5

申请日：2019-06-05

Applicant: 华南理工大学

Inventor： 李巍华 ,  王震 ,  黄如意

IPC: G01M13/045 ,  G06N3/04

Abstract: 本发明公开了一种基于多任务特征共享神经网络的智能故障诊断方法，包括步骤：（1）分别采集旋转机械在不同实验工况下的原始振动加速度信号，通过截取一定长度的信号数据来构成样本，并进行标注；（2）构建多任务特征共享神经网络，包括：输入层、特征提取器、分类模型和预测模型；（3）采用多任务联合训练，同时训练分类和预测模型；（4）将实际工业环境中采集的振动加速度信号输入已训练好的模型，得到多任务诊断结果。本发明能同时实现对故障类型的分类以及故障程度的预测，具有较高的实际应用价值。