-
公开(公告)号：CN112036301B
公开(公告)日：2021-06-22
申请号：CN202010895235.7
申请日：2020-08-31
Applicant: 中国矿业大学
Abstract: 本发明提供一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，首先提出了一种改进的分层迁移学习方法MSTL，不仅考虑了类内样本间近邻关系，保持类内数据的局部流形结构，还能够提高经迁移学习后域数据对不同类别的可分性，以提升故障诊断模型的对不同分布域样本的适应能力，同时可以降低特征集维度，提升故障诊断模型在变工况下的故障诊断性能。此外，针对单个传感器采集信号会存在一定的不确定因素的问题，采用D‑S证据理论进行驱动电机多源信息决策层融合，对振动和电流信号在模型上的诊断结果进行二级D‑S证据融合。本发明所提出的特征迁移学习方法MSTL和多源信息融合诊断模型能够提高故障诊断准确率，具有一定的实用价值。
-
公开(公告)号：CN112577743A
公开(公告)日：2021-03-30
申请号：CN202011231967.2
申请日：2020-11-06
Applicant: 中国矿业大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于最大局部边界准则的轴承故障诊断方法。具体包含采用双树复小波包变换DTCWPT对轴承振动信号分析，构建原始特征集，其次，提出故障敏感特征选取方法FSKNN，选取敏感特征集，然后，提出一种特征降维方法MLMC，通过矩阵映射变换获得高维敏感特征集的低维表达，输出低维特征集。最后构建轴承故障诊断模型OFS‑FSKNN‑MLMC‑SVM。本发明实施结果表明，故障敏感特征选取方法FSKNN方法能够有效选取敏感特征，MLMC方法一方面可以保留原敏感特征向量的局部流行结构和类别信息，另一方面可以实现特征降维，达到去除信息干扰和冗余的目的。基于故障试验台的实验结果表明，所提出的诊断模型能够明显提高不同工况下滚动轴承故障诊断的准确率。
-
公开(公告)号：CN112229632A
公开(公告)日：2021-01-15
申请号：CN202010841331.3
申请日：2020-08-20
Applicant: 中国矿业大学
IPC: G01M13/045 , G06K9/62
Abstract: 本发明公开了一种基于敏感特征迁移学习的轴承故障诊断方法，属于故障诊断技术领域，具体包含采用双树复小波包变换DTCWPT对轴承振动信号分析，构建原始特征集，其次，使用故障敏感特征选取方法FSFCC,选取敏感特集，然后，提出一种改进TCA的特征迁移学习方法MTCA，处理有标签源域数据集与无标签目标域数据集，输出低维特征集。最后构建轴承故障诊断模型OFS‑FSFCC‑MTCA‑SVM。本发明实施结果表明所提出的MTCA方法能够有效降低不同域间分布差异，增强域数据的判别性能，提高使用源域数据训练的故障诊断模型的域适应能力，使故障诊断模型在不同工况下的故障诊断能够取得理想的性能。
-
公开(公告)号：CN112036301A
公开(公告)日：2020-12-04
申请号：CN202010895235.7
申请日：2020-08-31
Applicant: 中国矿业大学
Abstract: 本发明提供一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法，首先提出了一种改进的分层迁移学习方法MSTL，不仅考虑了类内样本间近邻关系，保持类内数据的局部流形结构，还能够提高经迁移学习后域数据对不同类别的可分性，以提升故障诊断模型的对不同分布域样本的适应能力，同时可以降低特征集维度，提升故障诊断模型在变工况下的故障诊断性能。此外，针对单个传感器采集信号会存在一定的不确定因素的问题，采用D-S证据理论进行驱动电机多源信息决策层融合，对振动和电流信号在模型上的诊断结果进行二级D-S证据融合。本发明所提出的特征迁移学习方法MSTL和多源信息融合诊断模型能够提高故障诊断准确率，具有一定的实用价值。
-
公开(公告)号：CN112577743B
公开(公告)日：2021-08-17
申请号：CN202011231967.2
申请日：2020-11-06
Applicant: 中国矿业大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于最大局部边界准则的轴承故障诊断方法。具体包含采用双树复小波包变换DTCWPT对轴承振动信号分析，构建原始特征集，其次，提出故障敏感特征选取方法FSKNN，选取敏感特征集，然后，提出一种特征降维方法MLMC，通过矩阵映射变换获得高维敏感特征集的低维表达，输出低维特征集。最后构建轴承故障诊断模型OFS‑FSKNN‑MLMC‑SVM。本发明实施结果表明，故障敏感特征选取方法FSKNN方法能够有效选取敏感特征，MLMC方法一方面可以保留原敏感特征向量的局部流行结构和类别信息，另一方面可以实现特征降维，达到去除信息干扰和冗余的目的。基于故障试验台的实验结果表明，所提出的诊断模型能够明显提高不同工况下滚动轴承故障诊断的准确率。
-
Patent Agency Ranking
公开(公告)号：CN113673346A
公开(公告)日：2021-11-19
申请号：CN202110818587.7
申请日：2021-07-20
Applicant: 中国矿业大学
Abstract: 本发明提出了一种基于多尺度SE‑Resnet的电机振动数据处理与状态识别方法，涉及故障诊断领域，首先，利用变分自编码器VAE对输入原始振动信号的特征概率分布进行学习，通过采样重构隐含变量作为深度特征，其次，将深度特征输入多尺度注意力残差网络SE‑Resnet，通过对不同尺度核的卷积特征的融合，输出多尺度特征，来提升输出特征空间的抗噪能力；最后，采用随机森林RF作为电机故障分类器，将得到的多尺度特征输入RF分类器中，实现电机故障状态识别。本发明所提出的方法可以利用多尺度特征提升模型识别精度的，能够减少对专家知识的依赖，尤其是提升模型在电机变工况和噪声干扰情况下的识别准确率，符合现实生产过程中的实际需要。
-
公开(公告)号：CN113159226B
公开(公告)日：2021-11-16
申请号：CN202110537216.1
申请日：2021-05-18
Applicant: 中国矿业大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G01R31/54 , G01R31/327
Abstract: 本发明公开了一种深度特征和统计特征融合的逆变器故障诊断方法，首先采用SE‑DenseNet方法提取逆变器三相输出电流信号的深度特征，并利用希尔伯特黄变换HHT方法提取电流信号样本的统计特征，将深度特征和统计特征进行组合；其次，利用局部Fisher判别分析算法LFDA对组合的高维特征进行降维，得到能够表达逆变器故障特征的低维特征，实现深度特征与统计特征的融合；最后，采用极限学习机ELM分类器，以低维特征为输入实现三电平逆变器故障状态识别。相比于传统的诊断方法，本发明所提出的诊断方法故障识别准确率更高，在不同工况下的故障诊断能够取得理想的性能，对实际工业场景具有更强的适应能力和泛化能力。
-
公开(公告)号：CN112819059A
公开(公告)日：2021-05-18
申请号：CN202110103160.9
申请日：2021-01-26
Applicant: 中国矿业大学
Abstract: 本发明提出了一种基于流行保持迁移学习的滚动轴承故障诊断方法，结合局部线性空间判识(LFDA)和迁移成分分析(TCA)，设计了保留局部流形结构的半监督迁移成分分析方法(TCAPLMS)，在减少不同域数据集之间数据分布差异的同时，获取能够保留样本标签信息和状态特征信息的局部流形结构，此外提出基于故障敏感性和特征相关性的优选特征选择方法(PSFFC)嵌入到此框架中，以减少时频统计特征参数空间的冗余信息。本发明所提出的方法可以明显提高诊断准确性，且对实际工业场景具有强适应和泛化能力。
-
公开(公告)号：CN119723077A
公开(公告)日：2025-03-28
申请号：CN202411738371.X
申请日：2024-11-29
Applicant: 中国矿业大学
IPC: G06V10/26 , G06V10/52 , G06V10/80 , G06V10/77 , G06V10/82 , G06V10/764 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 本发明提出一种基于边缘先验引导的多尺度融合弱监督语义分割模型及方法，属于计算机视觉领域。模型采用权重共享的孪生网络，包括特征提取模块、伪标签生成模块、自对应蒸馏模块和分割模块，在Segformer编码器基础上增加边缘信息提取模块以及边缘信息融合模块，边缘先验与编码器生成的多尺度特征深度融合可以改善伪标签边缘模糊，同时在不引入外部监督的情况下使用自对应蒸馏的方法提炼伪标签。通过计算像素级变化来增强伪标签的局部一致性，提高了伪标签的生成质量，进而提高了对图像的分割精度。本方法所提出的方法所需标注数据更少，标注成本更低。
-
公开(公告)号：CN113673346B
公开(公告)日：2022-07-22
申请号：CN202110818587.7
申请日：2021-07-20
Applicant: 中国矿业大学
Abstract: 本发明提出了一种基于多尺度SE‑Resnet的电机振动数据处理与状态识别方法，涉及故障诊断领域，首先，利用变分自编码器VAE对输入原始振动信号的特征概率分布进行学习，通过采样重构隐含变量作为深度特征，其次，将深度特征输入多尺度注意力残差网络SE‑Resnet，通过对不同尺度核的卷积特征的融合，输出多尺度特征，来提升输出特征空间的抗噪能力；最后，采用随机森林RF作为电机故障分类器，将得到的多尺度特征输入RF分类器中，实现电机故障状态识别。本发明所提出的方法可以利用多尺度特征提升模型识别精度的，能够减少对专家知识的依赖，尤其是提升模型在电机变工况和噪声干扰情况下的识别准确率，符合现实生产过程中的实际需要。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.022 seconds)
