公开(公告)号：CN118883065A

公开(公告)日：2024-11-01

申请号：CN202410913303.6

申请日：2024-07-08

Applicant: 上海交通大学

Inventor： 唐昕炜 ,  杨博 ,  刘琦 ,  张艾森 ,  关新平

IPC: G01M13/045 ,  G06F18/27 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于Transformer模型的轴承早期异常检测方法，包括：数据集准备，所述数据集来源于实验室状态下轴承水平方向和垂直方向加速度传感器采集到的轴承时序振动信号；数据预处理；搭建基于Transformer的回归网络，所述回归网络包括嵌入层、位置编码层、自注意力机制、全连接前馈神经网络层、Transformer编码器层和解码层；基于无监督方法的轴承早期异常检测，包括：利用训练集训练Transformer网络，得到异常检测模型；基于重构误差分布，筛选出异常检测模型的阈值；利用滑动窗口方法，检测异常值。本发明通过无监督学习，仅依赖于正常状态的正例样本，解决了样本不足的问题。

公开(公告)号：CN117349595A

公开(公告)日：2024-01-05

申请号：CN202311302912.X

申请日：2023-10-09

Applicant: 上海交通大学

Inventor： 刘琦 ,  杨博 ,  刘宇翔 ,  张艾森 ,  陈彩莲 ,  关新平

IPC: G06F18/10 ,  G06F18/2411 ,  G06F18/214 ,  G06F18/22 ,  G06F17/12 ,  G06N3/0455 ,  G06N3/094

Abstract: 本发明公开了一种面向工业场景的极端少样本故障诊断方法，涉及工业系统领域，本方法首先基于一分类支持向量机(OCSVM)建立了一种故障初筛机制，能够快速区分故障和正常样本；之后，基于自编码器和孪生网络建立了一种自对抗故障诊断方法，将数据预处理、数据校准、神经网络模型训练紧密耦合在一起，形成了具有反馈机制的闭环，能够充分挖掘已有样本中的信息，实现样本自动校正，建立适用于各种环境工况的极端少样本故障诊断模型。本发明解决了工业现场样本采集成本高、难度大、模型泛化性差的问题，对于避免设备故障发现不及时导致的经济损失和重大安全事故具有重要意义。