公开(公告)号：CN110543860A

公开(公告)日：2019-12-06

申请号：CN201910838901.0

申请日：2019-09-05

Applicant: 燕山大学

Inventor： 张淑清 ,  董伟 ,  姜安琦 ,  胡孟飞 ,  杨振宁 ,  苑世钰 ,  宋姗姗 ,  张晓文 ,  段晓宁 ,  胥凤娇 ,  要俊波

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种基于TJM迁移学习的机械故障诊断方法及系统。所述方法通过引入CEEMDAN分解，在解决模式混合问题的同时减少了算法计算量，同时利用迁移学习方法解决了传统的机器学习方法在训练和测试数据分布存在一定程度的差异时，所建立的分类模型推广能力差、甚至有时出现不能通用的问题；同时解决了旋转机械因为不同工况间数据差异引起的故障诊断效率低的问题，还解决了因为某些工作状态中的旋转机械数据采集量不够，造成故障状态不完备、无法正确完整进行故障诊断的问题。本发明利用TJM迁移学习方法中联合执行跨领域的特征匹配和实例重加权的特性最大程度地减小了源域和目标域数据差异大所造成的识别诊断率不高的问题，极大地提高了故障诊断精度。

公开(公告)号：CN110543860B

公开(公告)日：2022-06-07

申请号：CN201910838901.0

申请日：2019-09-05

Applicant: 燕山大学

Inventor： 张淑清 ,  董伟 ,  姜安琦 ,  胡孟飞 ,  杨振宁 ,  苑世钰 ,  宋姗姗 ,  张晓文 ,  段晓宁 ,  胥凤娇 ,  要俊波

IPC: G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种基于TJM迁移学习的机械故障诊断方法及系统。所述方法通过引入CEEMDAN分解，在解决模式混合问题的同时减少了算法计算量，同时利用迁移学习方法解决了传统的机器学习方法在训练和测试数据分布存在一定程度的差异时，所建立的分类模型推广能力差、甚至有时出现不能通用的问题；同时解决了旋转机械因为不同工况间数据差异引起的故障诊断效率低的问题，还解决了因为某些工作状态中的旋转机械数据采集量不够，造成故障状态不完备、无法正确完整进行故障诊断的问题。本发明利用TJM迁移学习方法中联合执行跨领域的特征匹配和实例重加权的特性最大程度地减小了源域和目标域数据差异大所造成的识别诊断率不高的问题，极大地提高了故障诊断精度。

公开(公告)号：CN111950696A

公开(公告)日：2020-11-17

申请号：CN202010609214.4

申请日：2020-06-29

Applicant: 燕山大学

Inventor： 张淑清 ,  段晓宁 ,  姜安琦 ,  尹少杰 ,  董伟 ,  张晓文 ,  李永博 ,  时康 ,  李君 ,  黄娇 ,  上官甲新 ,  刘海涛 ,  宋姗姗

IPC: G06N3/04 ,  G06N3/08 ,  G06N3/00 ,  G06K9/62 ,  G06Q10/04 ,  G06Q50/06

Abstract: 本发明公开了一种基于降维和改进神经网络的短期电力负荷预测方法，涉及电力负荷预测技术领域，所述方法包括：首先运用SNE算法将高维负荷相关气象数据通过仿射变换映射到低维，然后通过飞蛾火焰优化算法将ELM的输出权值和阈值作为优化变量，负荷预测结果的均方误差值作为优化结果，找到预测最佳结果对应的训练权值和阈值反馈给ELM，得到改进的神经网络预测模型。将降维的气象数据协同电力负荷数据共同输入改进的神经网络进行数据训练和负荷预测。本发明改进了神经网络的短期电力负荷预测过程，大大提高了电力负荷预测的精度。