-
公开(公告)号：CN115773883B
公开(公告)日：2024-08-20
申请号：CN202211405383.1
申请日：2022-11-10
申请人： 苏州大学
IPC分类号： G01M13/045 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/082
摘要： 本发明实施例提供了一种双生成器协同域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将源域样本图片和目标域样本图片输入模型进行训练，获得两个不同的特征生成器；将特征生成器两个生成特征，融合成新的特征；更新两个特征生成器、分类器和鉴别器的参数；将目标域数据集输入训练好模型，实现轴承故障诊断。本发明轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
公开(公告)号：CN114429152A
公开(公告)日：2022-05-03
申请号：CN202111677762.1
申请日：2021-12-31
申请人： 苏州大学
摘要： 本发明公开了一种基于动态指数对抗性自适应的滚动轴承故障诊断方法，包括以下步骤：采集不同工况下轴承运行时的振动数据；将源域特征和混合域样本特征作为输入，对抗训练分类器与域鉴别器并对特征提取器进行优化，计算损失；利用损失构建轴承故障诊断模型的目标函数，寻找最佳参数，直至轴承故障诊断模型完成，在训练过程中利用动态指数调节因子缩小源域样本和目标域样本的边缘分布和条件分布差异；将目标域样本输入轴承故障诊断模型，输出轴承故障诊断结果。本发明能够以精确定量地衡量边缘分布和条件分布在整体数据分布中的比重，从而使得模型可以更有针对性的对不同工况下的数据集进行迁移，实现精确地故障诊断。
-
公开(公告)号：CN114429153B
公开(公告)日：2023-04-28
申请号：CN202111677774.4
申请日：2021-12-31
申请人： 苏州大学
IPC分类号： G06F18/2433 , G06F18/2415 , G06F18/241 , G06F18/214 , G06F18/21 , G06F18/213 , G06N3/045 , G06N3/08
摘要： 本发明公开了一种基于终身学习的齿轮箱增量故障诊断方法及系统，包括以下步骤：S101：采集齿轮箱振动数据构建增量健康状态数据集，划分为不同阶段的故障诊断任务；S102：利用原始ResNet‑32网络学习初始阶段的故障诊断任务，构建初始阶段诊断模型；S103：利用初始阶段诊断模型初始化ResNet‑32双分支聚合网络，并根据新增的故障类型数量增加分类层神经元数量；S104：通过选取的典例和一阶段的故障诊断任务数据共同训练该阶段诊断模型，训练完成后，选取该阶段故障诊断任务数据的典例；S105：在后续增量阶段重复步骤S103‑S104，得到最终故障诊断模型，进行故障诊断。本发明以解决现有基于深度学习和迁移学习的故障诊断模型不能诊断实际的齿轮箱意外故障问题。
-
公开(公告)号：CN115773883A
公开(公告)日：2023-03-10
申请号：CN202211405383.1
申请日：2022-11-10
申请人： 苏州大学
IPC分类号： G01M13/045 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/082
摘要： 本发明实施例提供了一种双生成器协同域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将源域样本图片和目标域样本图片输入模型进行训练，获得两个不同的特征生成器；将特征生成器两个生成特征，融合成新的特征；更新两个特征生成器、分类器和鉴别器的参数；将目标域数据集输入训练好模型，实现轴承故障诊断。本发明轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
公开(公告)号：CN115270956A
公开(公告)日：2022-11-01
申请号：CN202210879607.6
申请日：2022-07-25
申请人： 苏州大学
摘要： 本发明涉及一种基于持续学习的跨设备增量轴承故障诊断方法，包括构建跨设备增量轴承健康状态数据集，按设备划分不同阶段的诊断任务；使用第一个设备的诊断任务数据构建初始诊断模型，筛选典例；基于初始诊断模型引入神经元级微调和分类器得到诊断模型；将典例与下一个设备的轴承故障诊断任务数据共同训练诊断模型，使用损失函数缩小当前阶段的诊断模型与上一阶段的诊断模型在上一阶段诊断任务数据上表现的差异，筛选典例；重复步骤S104，使用当前的诊断模型诊断所有已学习任务的轴承故障，得到轴承故障诊断结果。本发明采用持续学习方法构建一个不断积累和复用知识的诊断模型，能解决灾难性遗忘问题，以适应跨设备增量轴承故障诊断的需求。
-
公开(公告)号：CN114429153A
公开(公告)日：2022-05-03
申请号：CN202111677774.4
申请日：2021-12-31
申请人： 苏州大学
摘要： 本发明公开了一种基于终身学习的齿轮箱增量故障诊断方法及系统，包括以下步骤：S101：采集齿轮箱振动数据构建增量健康状态数据集，划分为不同阶段的故障诊断任务；S102：利用原始ResNet‑32网络学习初始阶段的故障诊断任务，构建初始阶段诊断模型；S103：利用初始阶段诊断模型初始化ResNet‑32双分支聚合网络，并根据新增的故障类型数量增加分类层神经元数量；S104：通过选取的典例和一阶段的故障诊断任务数据共同训练该阶段诊断模型，训练完成后，选取该阶段故障诊断任务数据的典例；S105：在后续增量阶段重复步骤S103‑S104，得到最终故障诊断模型，进行故障诊断。本发明以解决现有基于深度学习和迁移学习的故障诊断模型不能诊断实际的齿轮箱意外故障问题。
-
公开(公告)号：CN115270956B
公开(公告)日：2023-10-27
申请号：CN202210879607.6
申请日：2022-07-25
申请人： 苏州大学
IPC分类号： G06F18/2433 , G06F18/2413 , G06F18/214 , G06F18/241 , G06N3/045 , G06N3/0464 , G06N3/082 , G01M13/04
摘要： 本发明涉及一种基于持续学习的跨设备增量轴承故障诊断方法，包括构建跨设备增量轴承健康状态数据集，按设备划分不同阶段的诊断任务；使用第一个设备的诊断任务数据构建初始诊断模型，筛选典例；基于初始诊断模型引入神经元级微调和分类器得到诊断模型；将典例与下一个设备的轴承故障诊断任务数据共同训练诊断模型，使用损失函数缩小当前阶段的诊断模型与上一阶段的诊断模型在上一阶段诊断任务数据上表现的差异，筛选典例；重复步骤S104，使用当前的诊断模型诊断所有已学习任务的轴承故障，得到轴承故障诊断结果。本发明采用持续学习方法构建一个不断积累和复用知识的诊断模型，能解决灾难性遗忘问题，以适应跨设备增量轴承故障诊断的需求。
-
公开(公告)号：CN114626406A
公开(公告)日：2022-06-14
申请号：CN202210138615.5
申请日：2022-02-15
申请人： 苏州大学
IPC分类号： G06K9/00 , G06N3/04 , G01M13/045
摘要： 本发明公开了一种基于类边界特征检测的轴承故障诊断方法及方法，包括以下步骤：采集不同工况下的轴承振动数据，每种工况下采集的数据作为一个可迁移域；搭建包括特征提取器和两个分类器的神经网络模型；输入源域样本训练神经网络模型；将源域样本和辅助域样本均输入神经网络模型，训练分类器以增大两个分类器的分类差异且两个分类器对于源域均具有分类能力；将辅助域输入神经网络模型，训练特征提取器使得其提取的特征能够同时满足两个分类器的分类要求；训练直至神经网络模型收敛，得到故障诊断模型对未知域进行故障诊断。本发明仅使用一个完全标记域，实现对于未知工况下轴承多尺寸、多类型故障的准确诊断。
-
公开(公告)号：CN217155839U
公开(公告)日：2022-08-09
申请号：CN202220752191.7
申请日：2022-04-02
申请人： 苏州大学
IPC分类号： G01M13/021 , G01M13/025 , G01M13/028
摘要： 一种轨道车辆齿轮部件的振动测试装置，包括板组，其包括底板、与底板垂直固接的竖板、与底板和竖板分别垂直固接的承重轮轴承座以及设置在底板顶部的顶板；承重组件，其转动连接在两承重轮轴承座之间，承重组件设置有两个对称的承重轮；加载组件，其设置在承重组件的上方，加载组件至少包括两个对称的加载轮以及调节杆件，调节杆件与竖板转动连接，加载轮与调节杆件转动连接，加载轮与承重轮传动连接，以及驱动件，其固接在顶板上，驱动件与加载轮组传动连接；其中，调整调节杆件，使得承重轮受到加载轮的载荷可调。采用调节杆件来调节加载轮实施在承重轮上的载荷，齿轮箱的全部重力均由输出轴承受，模拟效果接近实际轨道车辆部件的受力情况。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.021 秒)
