公开(公告)号：CN116465622A

公开(公告)日：2023-07-21

申请号：CN202310504093.0

申请日：2023-05-06

Applicant: 同济大学

Inventor： 余建波 ,  叶壮 ,  王思远

IPC: G01M13/021 ,  G01M13/028

Abstract: 本发明提供了一种基于虚实融合的齿轮箱小样本故障诊断方法，具有这样的特征，包括以下步骤：步骤S1，根据齿轮箱的技术参数，构建数字物理模型；步骤S2，根据数字物理模型得到多个仿真训练信号作为源域数据集；步骤S3，采集齿轮箱在真实工况下各类故障类型的真实振动信号，再经由归一化和数据划分，得到多个真实训练信号作为目标域数据集；步骤S4，将源域数据集和目标域数据集输入迁移学习网络进行迁移学习，得到域自适应模型；步骤S5，采集齿轮箱真实工况下的振动信号，将振动信号输入域自适应模型，得到齿轮箱的故障诊断结果。总之，本方法能够提高小样本下的齿轮箱故障诊断准确率。

公开(公告)号：CN117452232A

公开(公告)日：2024-01-26

申请号：CN202311529658.7

申请日：2023-11-16

Applicant: 同济大学

Inventor： 余建波 ,  叶壮

IPC: G01R31/367 ,  G01R31/392

Abstract: 本发明公开了一种基于预诊调节生成对抗网络的电池健康状态估计方法、装置及计算机程序产品，用于对小样本条件下的电池进行健康状态监测，包括以下步骤：收集目标工况下的小样本数据，构建训练集；构建预诊调节生成对抗网络(ProRGAN)模型；将真实小样本数据输入到ProRGAN中训练生成器和判别器；保存生成的仿真数据，构建数据增强数据集；将生成的仿真数据和真实数据输入到ProRGAN中训练SOH估计器；将真实小样本数据输入到健康状态估计器进行SOH估计验证。本发明的基于预诊调节生成对抗网络的锂电池健康状态估计方法能够对小样本条件下电池全生命周期信号进行有效扩充。

公开(公告)号：CN114742094A

公开(公告)日：2022-07-12

申请号：CN202210263247.7

申请日：2022-03-17

Applicant: 同济大学

Inventor： 余建波 ,  叶壮

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G01H17/00

Abstract: 本发明提供一种基于深度形态卷积网络的振动信号缺陷特征提取方法，该方法基于深度形态卷积网络构建，并进行训练得到具有形态滤波残差卷积块和自校准残差学习模块的缺陷特征提取模型，通过该缺陷特征提取模型对待测振动信号数据进行缺陷特征提取来获取待测旋转机械设备的缺陷信息，从而实现利用振动信号数据对旋转机械设备进行故障诊断。该振动信号缺陷特征提取方法能够对包含大量背景噪声的振动信号进行缺陷特征提取，有效进行机械故障诊断，并且可以做到对旋转机械设备的实时监测，具有较高的故障诊断正确率。