-
公开(公告)号：CN116561561A
公开(公告)日：2023-08-08
申请号：CN202310535518.4
申请日：2023-05-12
申请人： 北京交通大学
IPC分类号： G06F18/213 , G06F18/25 , G06F18/27 , G06F18/15 , G06N3/045 , G06N3/0464 , G06N3/048 , G06N3/08 , G06N3/084 , G01M13/045 , G01M13/04 , G06F123/02
摘要： 本发明提供基于高斯弹性卷积的滚动轴承剩余寿命预测方法及系统，属于基于神经网络的机械设备剩余寿命预测技术领域，获取变转速条件下滚动轴承的振动信号和转速信号；利用预先训练好的寿命预测模型对获取的振动信号和转速信号进行处理，得到轴承的寿命预测结果；其中，寿命预测模型的训练中构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，根据不同退化率对退化特征进行重标定，获取用于回归分析剩余寿命预测的时间序列信息。本发明可直接从滚动轴承的从变转速振动监测信号中提取具有弹性尺度的退化特征并进行特征重标定，准确地挖掘与滚动轴承健康状况最相关的退化信息，实现了变转速条件下的滚动轴承剩余寿命预测。
-
公开(公告)号：CN115965057A
公开(公告)日：2023-04-14
申请号：CN202211498411.9
申请日：2022-11-28
申请人： 北京交通大学
IPC分类号： G06N3/0464 , G06N3/084 , G06N3/082 , G01M17/08
摘要： 本发明提供了一种面向列车传动系统的类脑持续学习故障诊断方法。该方法模拟了人脑神经突触的记忆与新生，设计了类突触表征结构的生长机制，以实现类脑持续学习的列车传动系统故障诊断。具体地，冻结原有特征提取分支并配合少量旧类样本示例缓解“灾难性遗忘”；同时引入新的特征提取分支，为模型提供可塑性，在多目标损失函数引导下，学习新故障特征，提升模型学习能力上限。此外，该机制集成了端到端的网络剪枝，根据任务难度而动态调整结构生长规模，缓解渐进学习过程中模型的结构化冗余问题。本发明提出的方法，可以高精度、高实时性拓展可诊断故障的边界，对提升基于深度学习的轨道车辆传动系统智能故障诊断模型的应用潜力具有重要意义。
-
公开(公告)号：CN114970744A
公开(公告)日：2022-08-30
申请号：CN202210685133.1
申请日：2022-06-16
申请人： 北京交通大学
摘要： 一种基于博弈映射学习的信息融合三相电机智能故障诊断方法，通过多个自学习特征映射网络自动提取多传感源的故障特征、构建传感源鉴别器、构建故障模式识别器、使用Adam优化器更新诊断网络参数，来实现三相异步电机的智能故障诊断；本发明通过融合来自不同传感器的故障信息，可诊断的故障类全面覆盖了三相电机的电气类故障与机械类故障，具有诊断精度更高、故障类覆盖范围广鲁棒性更强、稳定性更好的优点，能更好的满足工程实际需求。
-
公开(公告)号：CN117973671A
公开(公告)日：2024-05-03
申请号：CN202311840016.9
申请日：2023-12-28
IPC分类号： G06Q10/063 , G06Q50/40
摘要： 本发明提供了一种复杂艰险地区铁路中的关键技术生成方法。该方法包括：获取复杂艰险地区铁路系统中的各个关键技术领域的功能需求及其重要性权重；利用TextRank排序算法获取特定关键技术项的文本的重要程度；对功能需求的满足情况和目标值进行评价获取功能需求的综合权值，计算出功能需求的权值；获取关键技术与功能性能需求的关系矩阵，综合考虑关键技术的重要性权重与关键技术与功能性能需求的关系矩阵，获得关键技术的总评分，选取总评分最高的关键技术项作为最符合要求的关键技术。本发明方法结合当下关键技术研究进展与铁路系统功能性能需求，完成各项关键技术的合理排序，从而在保证关键技术提取的基础上满足复杂艰险地区铁路系统功能性能需求。
-
公开(公告)号：CN115965057B
公开(公告)日：2023-09-29
申请号：CN202211498411.9
申请日：2022-11-28
申请人： 北京交通大学
IPC分类号： G06N3/0464 , G06N3/084 , G06N3/082 , G01M17/08
摘要： 本发明提供了一种面向列车传动系统的类脑持续学习故障诊断方法。该方法模拟了人脑神经突触的记忆与新生，设计了类突触表征结构的生长机制，以实现类脑持续学习的列车传动系统故障诊断。具体地，冻结原有特征提取分支并配合少量旧类样本示例缓解“灾难性遗忘”；同时引入新的特征提取分支，为模型提供可塑性，在多目标损失函数引导下，学习新故障特征，提升模型学习能力上限。此外，该机制集成了端到端的网络剪枝，根据任务难度而动态调整结构生长规模，缓解渐进学习过程中模型的结构化冗余问题。本发明提出的方法，可以高精度、高实时性拓展可诊断故障的边界，对提升基于深度学习的轨道车辆传动系统智能故障诊断模型的应用潜力具有重要意义。
-
公开(公告)号：CN117313000B
公开(公告)日：2024-03-15
申请号：CN202311208048.7
申请日：2023-09-19
申请人： 北京交通大学
IPC分类号： G06F18/2431 , G01R31/34 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/084
摘要： 本发明公开了一种基于样本表征拓扑的电机类脑学习故障诊断方法，继承学习阶段，设计了一种创新性的继承损失函数，通过惩罚样本故障特征在表征空间中拓扑关系的不一致性，以此引导故障特征的记忆从旧表征迁移到新表征中，从而缓解模型对旧故障类别的遗忘，这极大地提高了模型对故障特征记忆的继承能力。同时，将交叉熵损失函数与继承损失函数按照一定的比例关系相结合，使得模型能够更加灵活地学习新故障类型的特征，提高了模型对新故障类型的学习能力。在电机错综复杂且不断有新故障发生的运行环境中，该方法可以高精度、高实时性实现类增诊断，对于提升电机运用效率、保障设备安全等方面具有重要意义。
-
公开(公告)号：CN116304934A
公开(公告)日：2023-06-23
申请号：CN202211127204.2
申请日：2022-09-16
申请人： 北京交通大学
IPC分类号： G06F18/2433 , G01M13/045 , G01M13/04 , G06F18/25
摘要： 本发明提供了一种基于对抗嵌合网络的列车轮对轴承故障诊断方法。该方法包括：构建包括特征提取模块、鉴别模块和故障识别模块的故障诊断模型，对故障诊断模型进行迭代更新训练，得到训练好的故障诊断模型，获取不同工况下列车轮对轴承的原始多传感器监测信号，对各传感器原始信号进行标准化处理，获得预处理后的传感器监测数据，将传感器监测数据输入到训练好的特征提取模块，特征提取模块从传感器监测数据中提取故障特征，将故障特征输入到训练好的故障识别模块中，获取列车轮对轴承的故障诊断结果。本发明方法能够从多传感器监测信号中挖掘列车轮对轴承的故障信息，高效、准确地识别列车轮对轴承的健康状况，保证列车轮对轴承安全、可靠运行。
-
公开(公告)号：CN118468017A
公开(公告)日：2024-08-09
申请号：CN202410235383.4
申请日：2024-03-01
申请人： 北京交通大学
IPC分类号： G06F18/214 , G06N3/0464 , G06N3/0442 , G06N3/09
摘要： 本发明涉及旋转机械寿命预测技术领域，具体公开了一种基于长期演化学习的旋转机械剩余使用寿命预测方法，包括：进入初始学习阶段，利用自适应权重连接构建基于循环卷积神经网络的预测模型，获取当前阶段的振动信号数据集，对预测模型进行训练，训练完成后，测量权重连接的稳定性，并根据样本的信息性和多样性选取当前阶段的代表性样本；进入演化学习阶段，获取当前阶段的振动信号数据集与代表性样本组合后，对上一阶段训练好的预测模型进行训练，在当前阶段训练中，自适应权重连接的更新率随上一阶段权重连接的稳定性变化；当前阶段训练完成后，测量权重连接的稳定性，并根据样本的信息性、多样性和新颖性从当前阶段的振动信号数据集中选取当前阶段的代表性样本；对预测模型进行多次演化学习，直至满足训练目标。本发明预测模型能够长期保留习得的旧知识并对新知识进行灵活的学习，从而对旋转机械实现可靠高效的剩余使用寿命预测。
-
公开(公告)号：CN117591888B
公开(公告)日：2024-04-12
申请号：CN202410064148.5
申请日：2024-01-17
申请人： 北京交通大学
IPC分类号： G06F18/214 , G06F18/241 , G06F18/213 , G06N3/0464
摘要： 本发明涉及轨道交通设备故障诊断技术领域，具体涉及一种面向列车关键部件的集群自主学习故障诊断方法，包括：构建数据流阶层，设定多个边缘客户端和一个中心服务器；进入初始学习阶层，对各边缘端模型进行R轮集群协作训练，并聚合至中心服务器；进入自主学习阶层，构造各边缘客户端的局域损失函数；以局域损失函数作为学习准则，对各边缘端模型进行R轮集群协作训练，并聚合至中心服务器，中心服务器从全局视角选择R轮中的诊断准确率最高的模型作为本阶层的最优全局模型。本发明在云边协同的架构下，能够在保护数据隐私的前提下充分利用散落在边缘端的动态数据资源，实现集群自主训练。
-
公开(公告)号：CN117313251B
公开(公告)日：2024-03-15
申请号：CN202311621104.X
申请日：2023-11-30
申请人： 北京交通大学
IPC分类号： G06F30/15 , G06F30/27 , G06N3/0464 , G06N3/084 , G06N5/022 , G06F111/08
摘要： 本发明涉及列车运行安全保障技术领域，具体涉及一种基于非滞后渐进学习的列车传动装置全局故障诊断方法，包括：在基础学习阶段，构建全局诊断模型，并获取数据集；构建列车传动装置各部件之间的空间关系图，通过掩码方式将空间关系图中各节点信息进行结合；对全局诊断模型进行初步训练；在进阶学习阶段，从上一阶段数据集中选取部分样本，与新数据集组合为进阶学习阶段的数据集；将上一阶段学习到的健康信息衔接至当前学习阶段，构造当前阶段的非滞后损失函数，对全局诊断模型进行再次训练，直至模型收敛，进入下一进阶学习阶段。本发明能够对整个列车传动装置进行全局诊断，同时缓解了渐进学习过程中，模型在新故障样本不足情况下的过拟合。
-
-
-
-
-
-
-
-
-
搜索结果
16 条记录 (耗时 0.036 秒)
