公开(公告)号：CN119293637A

公开(公告)日：2025-01-10

申请号：CN202411428434.1

申请日：2024-10-14

Applicant: 中国计量大学

Inventor： 蒋金辉 ,  唐波 ,  程银宝 ,  施岩

IPC: G06F18/2415 ,  G06F18/10 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/084 ,  G01H17/00 ,  G06F123/02

Abstract: 本发明公开了一种基于微控制器和卷积神经网络的机械动作故障监测方法，具体步骤包括：1)从传感器获取机械故障动作数据，并将数据整理为具有3个特征的一维时序序列；2)对数据集进行预处理，包括填充序列以统一长度，并转换标签为one‑hot编码；3)构建一种机械动作故障分类模型，该模型由多个卷积层、池化层、展平层和全连接层组成，最终通过Softmax层输出分类结果；4)使用TensorF low框架对模型进行训练，采用Adam优化器和分类交叉熵损失函数；5)在微控制器上部署经过训练的模型，实现实时机械故障监测。本发明通过将深度学习模型与微控制器结合，能够高效识别机械故障动作，适用于各种工业应用场景，显著提升了机械设备的故障检测能力与维护效率。

公开(公告)号：CN118820882A

公开(公告)日：2024-10-22

申请号：CN202410796127.2

申请日：2024-06-19

Applicant: 中国计量大学

Inventor： 蒋金辉 ,  唐波 ,  程银宝 ,  施岩

IPC: G06F18/241 ,  G06F18/2431 ,  G06F18/213 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/096 ,  G01M13/045

Abstract: 本申请公开基于数字孪生的故障诊断方法、系统、电子设备及介质，方法包括：获取真实域数据和仿真域数据，并将真实域数据划分为训练集和测试集；建立故障诊断模型；将训练集和仿真域数据分别输入故障诊断模型中的第一特征提取器和第二特征提取器进行特征提取，输出真实域特征和仿真域特征；根据真实域特征和仿真域特征训练故障诊断模型，并通过测试集测试训练后的故障诊断模型，得到目标模型；将获取到包含故障数据的待诊断故障集输入目标模型进行故障识别，输出目标故障类型。在本申请实施例中，能够改进数据不平衡导致故障诊断模型识别性能低的问题，实现对单一故障的识别，同时实现对复合故障的精准解耦，提高故障识别的准确性。