公开(公告)号：CN113887586A

公开(公告)日：2022-01-04

申请号：CN202111089878.3

申请日：2021-09-17

Applicant: 杭州电子科技大学

Inventor： 叶力豪 ,  王昕毅 ,  文成林 ,  张俊锋

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种小样本下基于特征融合的FFCNN‑SVM迁移学习故障诊断方法。本发明中通过迁移学习中模型迁移的方法，将源域中成熟模型迁移至目标域中，构成目标域的初步模型。之后利用卷积层能够提取图片特征的特性，在初步模型上增加卷积层，之后利用目标域所提供的少量稀缺样本数据训练这个初步模型，待拟合后构成目标域浅层模型。之后利用SVM来替代CNN的全连接层，起到分类的效果。通过轴承故障数据集，能够很好的验证该方法的故障诊断新能。通过实验结果表明，本专利所提出的方法与其他迁移学习方法相比具有较好的故障诊断效果。

公开(公告)号：CN113627505A

公开(公告)日：2021-11-09

申请号：CN202110881218.2

申请日：2021-08-02

Applicant: 杭州电子科技大学

Inventor： 王昕毅 ,  叶力豪 ,  王金诚 ,  文成林 ,  张俊锋

IPC: G06K9/62 ,  G06N3/08

Abstract: 本发明公开了一种基于信息增益和自编码器的K近邻故障诊断方法。本发明通过训练集计算信息增益，用信息增益对原始训练集和测试集进行特征加权,用加权后的训练集数据训练一个自编码网络，然后使用该自编码网络提取出特征加权后的训练集和测试集的特征数据，生成新的训练集和新的测试集，最后使用K近邻的方法对新的训练集和测试集进行故障诊断。通过田纳西‑伊斯曼（TE）过程数据集，验证了IG‑encoder‑KNN的分类性能。通过实验结果表明，本发明所提出的方法与同类型方法相比具有更好的分类效果。