公开(公告)号：CN117235489A

公开(公告)日：2023-12-15

申请号：CN202211679369.0

申请日：2022-12-26

Applicant: 西安交通大学

Inventor： 孙闯 ,  杨远贵 ,  李亚松 ,  许洪 ,  陈雪峰

IPC: G06F18/213 ,  G06F18/24 ,  G06F18/25 ,  G06F18/21 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/042 ,  G06N3/048 ,  G06N3/082

Abstract: 公开了一种传动系统多源监测数据的图变分自编码特征提取方法，包括：使用多个传感器采集故障模拟实验系统的信号，分别采集正常信号与故障信号；使用得到的数据根据多传感器网络图数据构造方法构造多传感图信号，并划分训练集和测试集；将训练集数据输入到图注意力变分自编码模型中进行训练，对多模态异构图信号进行特征提取与编码，获取图信号的低维嵌入融合特征表示；继续将所提取的图信号的低维嵌入融合特征输入到全局平均池化层中进行图读出操作，进而将图读出特征输入到全连接层分类器，与图注意力变分自编码模型编码器部分协同训练与分类，并通过测试集进行测试，将测试准确率最高的模型保存为最优的多源数据融合与故障特征提取模型。

公开(公告)号：CN117235437A

公开(公告)日：2023-12-15

申请号：CN202211680845.0

申请日：2022-12-26

Applicant: 西安交通大学

Inventor： 严如强 ,  李亚松 ,  孙闯 ,  杨远贵 ,  许洪 ,  陈雪峰

IPC: G06F18/10 ,  G06F18/213 ,  G06F18/24 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G01M13/028

Abstract: 本发明涉及一种基于卷积网络结合自注意力机制的传感器故障识别方法，方法包括以下步骤：使用振动传感器采集传动系统的信号，应用经验模式分解(Empirical mode decomposition，EMD)提取内涵模态分量(Intrinsic Mode Functions，IMF)构造输入矩阵；将输入矩阵输入到四层卷积神经网络CNN，提取信号的空间特征；再将提取到的特征输入到自注意力模块中，对空间特征进行全局关系建模，捕捉特征的长时间依赖性；最后将振动信号的时空特征输入到线性分类器中进行分类，可以准确快速地检测出传感器故障。该模型可避免由于传感器故障导致的诊断系统故障误判，提高设备的运转效率。

公开(公告)号：CN113221282A

公开(公告)日：2021-08-06

申请号：CN202110543141.8

申请日：2021-05-19

Applicant: 西安交通大学

Inventor： 严如强 ,  周峥 ,  孙闯 ,  杨波 ,  田绍华 ,  李亚松 ,  杨远贵

IPC: G06F30/17 ,  G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06F119/04 ,  G06F119/08 ,  G06F113/08 ,  G06F119/14

Abstract: 公开了一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，方法中，基于多路传感器监测航空发动机状态得到多路的传感器数据以构造输入矩阵；通过数据分布直方图选择传感器数据，并进行数据标准化预处理；构建深度残差卷积网络，深度残差卷积网络包括卷积层、重复堆叠的残差模块和全连接层，基于变分贝叶斯推断将卷积层、重复堆叠的残差模块和全连接层中的参数分布化，获得贝叶斯深度网络；通过重参数方法，对贝叶斯深度网络进行端到端优化，实现模型的不确定性估计；从贝叶斯网络参数的分布中多次前向采样计算，获得航空发动机寿命预测区间。