公开(公告)号：CN114065945A

公开(公告)日：2022-02-18

申请号：CN202111272727.1

申请日：2021-10-29

Applicant: 宜宾电子科技大学研究院

Inventor： 凡时财 ,  苏志恒 ,  何建

IPC: G06N20/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于DJTN迁移学习的智能故障诊断方法，选择用于参照的已存在有标签数据集的工作条件，然后对于需要进行故障诊断的待诊断工作条件，采用有标签数据集相同的工作信号采集方法采集得到智能机械的无标签数据集，构建包括特征提取模块、迁移学习模块和分类模块的DJTN迁移学习模型，有标签数据集和无标签数据集输入DJTN迁移学习模型对其进行训练，对于训练好的DJTN迁移学习模型，将其中特征提取器和分类模块构成故障诊断模型，将无标签数据集中的每个工作信号数据样本分别输入故障诊断模型，得到对应的健康状态诊断结果。本发明通过迁移学习，提高了对故障诊断中智能机械工作条件多样的鲁棒性。

公开(公告)号：CN114065945B

公开(公告)日：2024-08-02

申请号：CN202111272727.1

申请日：2021-10-29

Applicant: 宜宾电子科技大学研究院

Inventor： 凡时财 ,  苏志恒 ,  何建

IPC: G06F18/20 ,  G06F18/25 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/096

Abstract: 本发明公开了一种基于DJTN迁移学习的智能故障诊断方法，选择用于参照的已存在有标签数据集的工作条件，然后对于需要进行故障诊断的待诊断工作条件，采用有标签数据集相同的工作信号采集方法采集得到智能机械的无标签数据集，构建包括特征提取模块、迁移学习模块和分类模块的DJTN迁移学习模型，有标签数据集和无标签数据集输入DJTN迁移学习模型对其进行训练，对于训练好的DJTN迁移学习模型，将其中特征提取器和分类模块构成故障诊断模型，将无标签数据集中的每个工作信号数据样本分别输入故障诊断模型，得到对应的健康状态诊断结果。本发明通过迁移学习，提高了对故障诊断中智能机械工作条件多样的鲁棒性。

公开(公告)号：CN114090953A

公开(公告)日：2022-02-25

申请号：CN202111240363.9

申请日：2021-10-25

Applicant: 宜宾电子科技大学研究院

Inventor： 凡时财 ,  贵兴泰 ,  何建

IPC: G06F17/16 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于LSTM‑QDM的不平衡故障诊断方法，首先采集工业设备处理K种故障状态下各个测量设备的测量数据，构建时序数据矩阵，然后通过滑动窗口提取出时序数据样本，然后再对时序数据样本进行故障类型分析得到不平衡故障和普通故障划分，采用所提出的四元组时序数据对构造策略构造四元组时序数据对，构建LSTM‑QDM故障诊断模型，采用四元组时序数据对和其中锚样本的标签对故障诊断模型进行训练，在工业设备运行过程中采集实际运行数据并构建时序数据样本输入LSTM‑QDM故障诊断模型中，得到故障识别结果。本发明通过结合LSTM网络和QDM算法，提升数据不平衡状态下的工业设备故障诊断性能。

公开(公告)号：CN114297921A

公开(公告)日：2022-04-08

申请号：CN202111589058.0

申请日：2021-12-23

Applicant: 宜宾电子科技大学研究院

Inventor： 凡时财 ,  张季阳 ,  郑宏 ,  何建

IPC: G06F30/27 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06F119/12

Abstract: 本发明公开了一种基于AM‑TCN的故障诊断方法，首先在工业过程的正常和各个故障运行状态下，采用传感器设备采集状态监控数据，构建时间序列训练样本；然后构建基于AM‑TCN的故障诊断模型，包括注意力机制层、时间卷积网络、全连接层和SoftMax层，其中时间卷积网络由多个时间卷积块堆叠而成；采用训练样本对基于AM‑TCN的故障诊断模型进行训练；在工业过程的实际运行过程，采集状态监控数据并构建时间序列，将时间序列输入训练好的基于AM‑TCN的故障诊断模型中，得到故障诊断结果。本发明结合注意力机制和时间卷积网络构建基于AM‑TCN的故障诊断模型，提升对时序数据的特征提取效果，从而提高工业过程的故障诊断的准确性和鲁棒性。