-
Patent Agency Ranking
公开(公告)号：CN108010016A
公开(公告)日：2018-05-08
申请号：CN201711160396.6
申请日：2017-11-20
Applicant: 华中科技大学
CPC classification number: G06T7/0002 , G06N3/0454 , G06T5/005 , G06T11/00 , G06T2207/20084 , G06T2207/30168
Abstract: 本发明属于故障诊断方法领域，并公开了一种基于卷积神经网络的数据驱动故障诊断方法，包括以下步骤：1)对要检测故障进行时域信号采样；2)将采集到的时域信号转化为待处理的图像；3)根据待处理图像的特点构建卷积神经网络模型；4)对图像进行训练；5)使用卷积神经网络模型进行预测，得出故障诊断结果。本发明将原始时域信号转换为2维灰度图像，采用改进卷积神经网络自动提取灰度图像的数据特征；由于将时域信号转化为二维灰度图像，信号噪声将被转换为图像的亮度、灰度等与图像分类结果无关的因素，能尽可能消除信号噪声对最终结果的影响。该方法易于执行且具有较高的精度，并极大地降低了特征提取过程和信号噪声对最终结果造成的影响。
-
公开(公告)号：CN109406118B
公开(公告)日：2020-05-19
申请号：CN201811197982.2
申请日：2018-10-15
Applicant: 华中科技大学
IPC: G01M13/00 , G01M13/045 , G06N3/04
Abstract: 本发明属于神经网络故障预测相关技术领域，其公开了一种基于层次卷积神经网络的机械故障预测方法，该方法包括以下步骤：(1)采用S变换将待故障预测的机械的振动信号从时序信号变换成时频图，以备用；(2)结合故障类型在不同粒度上的层次划分，以构建双输出的层次卷积神经网络模型，所述时频图为所述层次卷积神经网络模型的输入；所述层次卷积神经网模型具有两类分类器，分别为粗分类器及精分类器；(3)依次采用粗标签及精标签对所述粗分类器及所述精分类器进行训练，以得到训练好的层次卷积神经网络模型，进而进行机械故障预测。本发明提高了精度及效率，适用性较好，有利于在实际应用中推广应用。
-
公开(公告)号：CN108334936A
公开(公告)日：2018-07-27
申请号：CN201810087864.X
申请日：2018-01-30
Applicant: 华中科技大学
IPC: G06N3/04
Abstract: 本发明属于神经网络故障预测领域，并公开了基于迁移卷积神经网络的故障预测方法。该方法包括下列步骤：(a)将故障类型进行编号，采集待预测对象的时域信号并获取初始故障类型编号，将时域信号转化为RGB图像；(b)将深度残差网络模型的FC层初始化并添加分类器，获得改进的网络模型；(c)将RGB图像输入网络模型训练FC层和分类器，不断更新FC层的权重值，当获得的故障类型编号与初始故障类型编号相近时对应的权重值为所需的新的权重值，并完成网络模型的迁移；(d)将待预测对象的RGB图像输入迁移卷积神经网络模型中，输出预测故障类型编号。通过本发明，所采用的迁移卷积神经网络模型结构简单、预测速度快，预测结果准确。
-
公开(公告)号：CN109406118A
公开(公告)日：2019-03-01
申请号：CN201811197982.2
申请日：2018-10-15
Applicant: 华中科技大学
Abstract: 本发明属于神经网络故障预测相关技术领域，其公开了一种基于层次卷积神经网络的机械故障预测方法，该方法包括以下步骤：(1)采用S变换将待故障预测的机械的振动信号从时序信号变换成时频图，以备用；(2)结合故障类型在不同粒度上的层次划分，以构建双输出的层次卷积神经网络模型，所述时频图为所述层次卷积神经网络模型的输入；所述层次卷积神经网模型具有两类分类器，分别为粗分类器及精分类器；(3)依次采用粗标签及精标签对所述粗分类器及所述精分类器进行训练，以得到训练好的层次卷积神经网络模型，进而进行机械故障预测。本发明提高了精度及效率，适用性较好，有利于在实际应用中推广应用。
-
公开(公告)号：CN108334936B
公开(公告)日：2019-12-24
申请号：CN201810087864.X
申请日：2018-01-30
Applicant: 华中科技大学
IPC: G06N3/04
Abstract: 本发明属于神经网络故障预测领域，并公开了基于迁移卷积神经网络的故障预测方法。该方法包括下列步骤：(a)将故障类型进行编号，采集待预测对象的时域信号并获取初始故障类型编号，将时域信号转化为RGB图像；(b)将深度残差网络模型的FC层初始化并添加分类器，获得改进的网络模型；(c)将RGB图像输入网络模型训练FC层和分类器，不断更新FC层的权重值，当获得的故障类型编号与初始故障类型编号相近时对应的权重值为所需的新的权重值，并完成网络模型的迁移；(d)将待预测对象的RGB图像输入迁移卷积神经网络模型中，输出预测故障类型编号。通过本发明，所采用的迁移卷积神经网络模型结构简单、预测速度快，预测结果准确。
-
-
-
-
Search Results
5
records
(took 0.023 seconds)
