公开(公告)号：CN117909865B

公开(公告)日：2025-01-28

申请号：CN202410044974.3

申请日：2024-01-12

Applicant: 中南大学

Inventor： 黄科科 ,  刘泽一 ,  吴淑洁 ,  吴德浩 ,  刘一顺 ,  阳春华 ,  桂卫华

IPC: G06F18/2415 ,  G06F18/15 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明公开了一种面向多采样率工业过程的数据驱动故障诊断方法及系统，该方法包括：首先，对多采样率数据进行数据预处理和划分，使多采样率数据转换为多个子任务数据；其次，构造基于注意力机制的多采样率掩码网络故障诊断模型；最后，利用基于注意力机制自适应的多采样率掩码网络故障诊断模型对在线采集的数据进行实时故障诊断。通过梯度注意力机制与掩码网络，缓解了顺序学习中的灾难性遗忘问题，并使网络具有处理维度不一致的多任务数据的能力，提升了有效信息的传递效率，从而能够更好更准确的进行故障诊断。

公开(公告)号：CN117953274A

公开(公告)日：2024-04-30

申请号：CN202311842188.X

申请日：2023-12-29

Applicant: 中南大学

Inventor： 桂卫华 ,  刘泽一 ,  黄科科 ,  阳春华 ,  张新星 ,  吴德浩 ,  刘一顺

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/40 ,  G06F18/214 ,  G06F18/2433

Abstract: 本发明公开了一种基于多中心深度度量学习的轮型识别方法与智能运维系统，方法包括：搭建多中心深度度量学习模型框架，包括特征提取模块、异常检测模块、分类模块；特征提取模块提取轮型图像的特征；分类模块根据特征分类和构建分类损失；异常检测模块根据聚合特征构建多中心损失及计算各中心的控制限；基于分类损失和多中心损失训练多中心深度度量学习模型；要对轮型测试样本进行识别时：异常检测模块进行异常检测，分类模块进行已知类别的分类预测，综合异常检测和分类预测的结果输出决策向量。本发明方法可提高轮型识别精度，运维系统可以根据每日生产计划的进行小批量类别模型的动态部署与实时迭代，实现轻量级高精度轮型识别服务。

公开(公告)号：CN117909865A

公开(公告)日：2024-04-19

申请号：CN202410044974.3

申请日：2024-01-12

Applicant: 中南大学

Inventor： 黄科科 ,  刘泽一 ,  吴淑洁 ,  吴德浩 ,  刘一顺 ,  阳春华 ,  桂卫华

IPC: G06F18/2415 ,  G06F18/15 ,  G06N3/045 ,  G06N3/084

Abstract: 本发明公开了一种面向多采样率工业过程的数据驱动故障诊断方法及系统，该方法包括：首先，对多采样率数据进行数据预处理和划分，使多采样率数据转换为多个子任务数据；其次，构造基于注意力机制的多采样率掩码网络故障诊断模型；最后，利用基于注意力机制自适应的多采样率掩码网络故障诊断模型对在线采集的数据进行实时故障诊断。通过梯度注意力机制与掩码网络，缓解了顺序学习中的灾难性遗忘问题，并使网络具有处理维度不一致的多任务数据的能力，提升了有效信息的传递效率，从而能够更好更准确的进行故障诊断。

公开(公告)号：CN118445694A

公开(公告)日：2024-08-06

申请号：CN202410544004.X

申请日：2024-05-06

Applicant: 中南大学

Inventor： 桂卫华 ,  刘泽一 ,  黄科科 ,  阳春华 ,  吴德浩 ,  李勇刚 ,  林成东

IPC: G06F18/2411 ,  G06F18/213 ,  G06F18/214 ,  G06F18/2415 ,  G06N3/04 ,  G06Q50/04

Abstract: 本发明公开了一种面向厂级知识安全迁移的无监督模型领域自适应方法，应用于目标域工厂对目标域模型进行训练，包括：获取源域工厂的源域模型，其特征提取器和分类器利用带标签的源域数据集训练得到；使用源域模型对目标域模型的特征提取器和分类器初始化；使用源域模型的特征提取器计算目标域样本的特征，构建特征库；将目标域模型的分类器的参数固定，并利用特征库分批次训练目标域模型；其中，在每批次训练更新完模型参数后，使用当前目标域模型的特征提取器重新计算当前训练批次样本的特征，更新特征库，再利用下一批次样本的特征库训练目标域模型。本发明在不需要源域数据参与的条件下实现了高精度的领域对齐。

公开(公告)号：CN117349799A

公开(公告)日：2024-01-05

申请号：CN202311287791.6

申请日：2023-10-08

Applicant: 中南大学

Inventor： 黄科科 ,  朱恒星 ,  刘泽一 ,  龙文波 ,  吴德浩 ,  阳春华 ,  桂卫华

IPC: G06F18/28

Abstract: 本发明公开了一种基于元素感知字典持续学习的多工况工业过程智能监测方法与系统，主要包括两部分：持续学习新模态与在线监测。持续学习新模态，首先按顺序学习获得前N个模态时各自对应的最优字典和重要性矩阵；在此基础上，构建基于第N+1个模态监测数据重构误差和历史模态损失的目标函数，学习得到第N+1个模态时的最优字典；再利用该最新模态时的最优字典建立基于控制限的监测模型。在线监测，利用控制限对在线新数据进行监测，判断确定工业过程当前是否故障。本发明能够不断学习新模态同时保持对历史模态的记忆，克服传统过程监测方法在多模态情况下产生的“灾难性遗忘”问题，同时实现较高的监测水准。