-
公开(公告)号：CN118468724A
公开(公告)日：2024-08-09
申请号：CN202410685948.9
申请日：2024-05-30
Applicant: 苏州大学
IPC: G06F30/27 , G06F30/17 , G06N3/094 , G06N3/045 , G06F18/241 , G06F18/214 , G06F119/04
Abstract: 本发明提供一种差异性对齐指导下域对抗网络机械设备RUL预测方法及系统，涉及机械RUL预测和机器学习技术领域，该方法包括采集来自不同工况、不同故障类型的传感器信号并处理成输入样本；构造特征提取器，域鉴别器和差异提取器；利用源域样本序列对特征提取器和域鉴别器进行预训练；将预训练的特征提取器和域鉴别器移至训练阶段，以进行鉴别源域样本和目标域样本；充分训练本方法至收敛，并利用训练良好的特征提取器和域鉴别器对测试样本进行预测，获得方法的预测性能。本发明可以实现跨工况下域不变特征提取和差异目标域剩余寿命侦测，具有极佳的跨域RUL效果。
-
公开(公告)号：CN116337447B
公开(公告)日：2024-07-19
申请号：CN202211640727.7
申请日：2022-12-19
Applicant: 苏州大学
IPC: G01M13/045 , G01M17/10 , G06F18/213 , G06F18/24 , G06N3/084 , G06N3/0464
Abstract: 本发明涉及一种非平稳工况下轨道车辆轮对轴承故障诊断方法包括根据多种传感器采集的轨道车辆轮对轴承在不同非平稳工况下的多种信号获取样本数据；多通道融合得多传感器信息融合样本并进行自适应加权，生成目标多传感器信息融合数据，特征提取器提取目标多传感器信息融合数据在多传感器视角下的特征信息，存储至相对应的记忆库中；利用原型对比学习进行领域适配学习，获取域适应损失；利用源域数据集中提取的特征信息与半监督学习算法训练域共享类别分类器；利用域适应损失与半监督分类损失通过反向传播与梯度下降算法更新网络参数，获得目标网络；将数据集中没有类别标签的待测试样本数据输入至目标网络中，获取待测试样本数据的故障类别。
-
公开(公告)号：CN117436037A
公开(公告)日：2024-01-23
申请号：CN202311506970.4
申请日：2023-11-13
Applicant: 苏州大学
IPC: G06F18/28 , G01M13/045 , G06F18/2136
Abstract: 本发明涉及一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法及系统，所述方法包括：对初始振动信号进行预处理，生成振动信号；根据加权多尺度卷积稀疏表示模型、交替方向乘子法和受控极小化法生成迭代求解算法；根据所述迭代求解算法从所述振动信号中分离时域故障冲击特征；根据所述时域故障冲击特征确定轴承故障类型。通过加权多尺度卷积稀疏表示模型、交替方向乘子法和受控极小化法得到迭代求解算法，可以在多种复杂干扰条件下依然能够准确提取周期性故障冲击特征，实现滚动轴承的准确诊断，确保整个机械系统的运行安全。
-
公开(公告)号：CN116663272A
公开(公告)日：2023-08-29
申请号：CN202310575669.2
申请日：2023-05-22
Applicant: 苏州大学
IPC: G06F30/20 , G01M13/045 , G06F119/14
Abstract: 本发明公开了一种考虑多模式故障激励的深沟球轴承故障动力学建模方法，包括以下步骤：S1：根据深沟球轴承模型，建立了考虑多刚体独立自由度、混合弹流润滑影响和滚珠动态圆周运动要素的三维深沟球轴承动态解析模型；S2：在模型基础上，将保持架兜孔、柔性保持架和刚性保持架模型建立在动态轴承模型中；并分析滚道、滚珠和动不平衡负载常见故障激励源下所建立模型的动态特征；S3：将早期磨损以表面粗糙度变化的形式体现在动力学模型中；S4：建了早期微弱磨损、严重凹坑故障到轴承动态特性的完整逻辑链。本发明，建立了考虑多刚体独立自由度、混合弹流润滑影响和滚珠动态圆周运动等要素的深沟球轴承动态解析模型，具有精细化的优势。
-
公开(公告)号：CN116465630A
公开(公告)日：2023-07-21
申请号：CN202310121756.0
申请日：2023-02-16
Applicant: 苏州大学
IPC: G01M13/045 , G06F18/241 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/096
Abstract: 本发明涉及一种基于元迁移学习的轴承小样本故障诊断方法和系统，方法包括：采集不同工况下的轴承振动信号；对轴承振动信号进行快速傅里叶变换，并将变换后的轴承振动信号转换为二维特征图片集，二维特征图片集包括第一样本和第二样本；通过第一样本训练深度学习卷积网络，并保留训练后网络的特征提取器，同时剔除训练后网络的第一分类器，其中，所述第一分类器用于第一样本的分类；基于所述特征提取器和第二分类器构建模型，通过元迁移学习对模型中当前故障诊断任务的神经元参数进行优化，使特征提取器自适应其他所有故障诊断任务，其中,所述当前故障诊断任务为基于所述第二样本的故障诊断任务。本发明可以出色地解决小样本故障诊断问题。
-
Patent Agency Ranking
公开(公告)号：CN116089812A
公开(公告)日：2023-05-09
申请号：CN202211558882.4
申请日：2022-12-06
Applicant: 苏州大学
IPC: G06F18/213 , G06F18/214 , G06F18/24 , G06N3/0475 , G06N3/0895 , G06N3/094
Abstract: 本发明公开了一种基于半监督对抗域泛化智能模型的故障诊断方法。本发明基于半监督对抗域泛化智能模型的故障诊断方法以域对抗神经网络为基础，采用半监督学习的方式，通过提出域模糊策略来消除多源域之间的数据分布差异，学习标记的源域和未标记的源域中与分布无关的表示，提取域不变特征，并且引入度量学习来促进模型学习特征的类内聚集性和类间可分性，提高特征的可判别性，从而极大提高机械故障诊断模型的泛化能力，实现未知工况下的半监督机械健康状态智能识别，识别精度高。
-
公开(公告)号：CN114429153B
公开(公告)日：2023-04-28
申请号：CN202111677774.4
申请日：2021-12-31
Applicant: 苏州大学
IPC: G06F18/2433 , G06F18/2415 , G06F18/241 , G06F18/214 , G06F18/21 , G06F18/213 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于终身学习的齿轮箱增量故障诊断方法及系统，包括以下步骤：S101：采集齿轮箱振动数据构建增量健康状态数据集，划分为不同阶段的故障诊断任务；S102：利用原始ResNet‑32网络学习初始阶段的故障诊断任务，构建初始阶段诊断模型；S103：利用初始阶段诊断模型初始化ResNet‑32双分支聚合网络，并根据新增的故障类型数量增加分类层神经元数量；S104：通过选取的典例和一阶段的故障诊断任务数据共同训练该阶段诊断模型，训练完成后，选取该阶段故障诊断任务数据的典例；S105：在后续增量阶段重复步骤S103‑S104，得到最终故障诊断模型，进行故障诊断。本发明以解决现有基于深度学习和迁移学习的故障诊断模型不能诊断实际的齿轮箱意外故障问题。
-
公开(公告)号：CN115773883A
公开(公告)日：2023-03-10
申请号：CN202211405383.1
申请日：2022-11-10
Applicant: 苏州大学
IPC: G01M13/045 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/082
Abstract: 本发明实施例提供了一种双生成器协同域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将源域样本图片和目标域样本图片输入模型进行训练，获得两个不同的特征生成器；将特征生成器两个生成特征，融合成新的特征；更新两个特征生成器、分类器和鉴别器的参数；将目标域数据集输入训练好模型，实现轴承故障诊断。本发明轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
公开(公告)号：CN115436058A
公开(公告)日：2022-12-06
申请号：CN202211057305.7
申请日：2022-08-30
Applicant: 苏州大学
IPC: G01M13/045 , G06F17/16 , G06K9/00
Abstract: 本发明公开了一种轴承故障特征提取的方法、装置、设备以及计算机存储介质，包括采集轴承振动信号，并对轴承振动信号进行加窗截取；利用Katz方法计算截取信号片段的分形维数值；根据分形维数值跟踪轴承振动信号中轴承故障产生的冲击位置，提取冲击位置的包络线；进一步地根据峰值搜索算法对包络线进行去除干扰，得到轴承振动故障特征。本发明通过分形维数将轴承的振动序列转化为短时分形维数序列，并且在转换过程中对其他的干扰信号进行抑制，将轴承故障的信号更加突出，抑制干扰信号，最后根据峰值搜索算法将所有信号进行处理，进一步抑制干扰信号对轴承故障信号的影响，更加突显轴承故障信号。
-
公开(公告)号：CN115270956A
公开(公告)日：2022-11-01
申请号：CN202210879607.6
申请日：2022-07-25
Applicant: 苏州大学
Abstract: 本发明涉及一种基于持续学习的跨设备增量轴承故障诊断方法，包括构建跨设备增量轴承健康状态数据集，按设备划分不同阶段的诊断任务；使用第一个设备的诊断任务数据构建初始诊断模型，筛选典例；基于初始诊断模型引入神经元级微调和分类器得到诊断模型；将典例与下一个设备的轴承故障诊断任务数据共同训练诊断模型，使用损失函数缩小当前阶段的诊断模型与上一阶段的诊断模型在上一阶段诊断任务数据上表现的差异，筛选典例；重复步骤S104，使用当前的诊断模型诊断所有已学习任务的轴承故障，得到轴承故障诊断结果。本发明采用持续学习方法构建一个不断积累和复用知识的诊断模型，能解决灾难性遗忘问题，以适应跨设备增量轴承故障诊断的需求。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.044 seconds)
