公开(公告)号：CN116089860A

公开(公告)日：2023-05-09

申请号：CN202310035287.0

申请日：2023-01-10

Applicant: 苏州大学

Inventor： 黄伟国 ,  张骁 ,  王锐 ,  马骏陶 ,  韩时炘 ,  曾冠杰 ,  王俊 ,  丁传仓 ,  廖一 ,  杜贵府

IPC: G06F18/24 ,  G06F18/2131 ,  G06F18/2337 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  G01M13/045 ,  G01M13/028

Abstract: 本发明涉及深度学习技术领域，尤其是指一种多阶段分布校正引导的设备故障诊断方法、装置及计算机存储介质。本发明所述的设备故障诊断方法，将无标记的查询集和有标记的查询集进行幂变换，使其符合高斯分布，并将经过幂变换的多个查询集特征聚类为多个簇并对每个支持集特征进行分配，利用无标记查询集的高斯统计量来校正带有标记的支持集分布，分布修正可以使支持集分布更接近于查询集的真实分布，通过从校正后的分布中采样来增加更多的特征以扩大训练数据集来训练分类器，可以提高模型在小样本场景下的诊断性能，实现在小样本场景下的智能故障诊断，提高了故障诊断的准确性。

公开(公告)号：CN116089860B

公开(公告)日：2024-09-20

申请号：CN202310035287.0

申请日：2023-01-10

Applicant: 苏州大学

Inventor： 黄伟国 ,  张骁 ,  王锐 ,  马骏陶 ,  韩时炘 ,  曾冠杰 ,  王俊 ,  丁传仓 ,  廖一 ,  杜贵府

IPC: G06F18/24 ,  G06F18/2131 ,  G06F18/2337 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  G01M13/045 ,  G01M13/028

Abstract: 本发明涉及深度学习技术领域，尤其是指一种多阶段分布校正引导的设备故障诊断方法、装置及计算机存储介质。本发明所述的设备故障诊断方法，将无标记的查询集和有标记的查询集进行幂变换，使其符合高斯分布，并将经过幂变换的多个查询集特征聚类为多个簇并对每个支持集特征进行分配，利用无标记查询集的高斯统计量来校正带有标记的支持集分布，分布修正可以使支持集分布更接近于查询集的真实分布，通过从校正后的分布中采样来增加更多的特征以扩大训练数据集来训练分类器，可以提高模型在小样本场景下的诊断性能，实现在小样本场景下的智能故障诊断，提高了故障诊断的准确性。

公开(公告)号：CN116106008A

公开(公告)日：2023-05-12

申请号：CN202211699746.7

申请日：2022-12-28

Applicant: 苏州大学

Inventor： 黄伟国 ,  王锐 ,  张骁 ,  廖一 ,  杜贵府 ,  丁传仓 ,  王俊 ,  沈长青

IPC: G01M13/04 ,  G06F18/213 ,  G06F18/24 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了一种基于分类器差异软权自适应网络的故障诊断方法、装置、设备以及计算机可读存储介质，本发明由特征提取器、离群分类器与两个状态分类器三部分构成，特征提取器用于提取源域和目标域不同类别的可迁移特征，两个不同的状态分类器基于提取到的可转移特征进行标签预测；离群分类器对目标域样本进行伪标签学习，从而自动分离共享类和离群类样本；本发明构造了一个样本软权重项，以自适应地测量目标样本属于跨域共享标签空间的概率，设计了一个加权分类器差异损失来获取共享类样本的跨域不变特征，本发明诊断精度高，鲁棒性强，适用于变工况类型差异下的开集迁移故障诊断任务，可广泛应用于机械、电力、化工、航空等领域。

公开(公告)号：CN116106008B

公开(公告)日：2024-09-06

申请号：CN202211699746.7

申请日：2022-12-28

Applicant: 苏州大学

Inventor： 黄伟国 ,  王锐 ,  张骁 ,  廖一 ,  杜贵府 ,  丁传仓 ,  王俊 ,  沈长青

IPC: G01M13/04 ,  G06F18/213 ,  G06F18/24 ,  G06N3/08 ,  G06N3/0464

Abstract: 本发明公开了一种基于分类器差异软权自适应网络的故障诊断方法、装置、设备以及计算机可读存储介质，本发明由特征提取器、离群分类器与两个状态分类器三部分构成，特征提取器用于提取源域和目标域不同类别的可迁移特征，两个不同的状态分类器基于提取到的可转移特征进行标签预测；离群分类器对目标域样本进行伪标签学习，从而自动分离共享类和离群类样本；本发明构造了一个样本软权重项，以自适应地测量目标样本属于跨域共享标签空间的概率，设计了一个加权分类器差异损失来获取共享类样本的跨域不变特征，本发明诊断精度高，鲁棒性强，适用于变工况类型差异下的开集迁移故障诊断任务，可广泛应用于机械、电力、化工、航空等领域。

公开(公告)号：CN119827155A

公开(公告)日：2025-04-15

申请号：CN202411798759.9

申请日：2024-12-09

Applicant: 苏州大学

Inventor： 黄伟国 ,  张骁 ,  贾宁 ,  杨家辉 ,  王亦宏 ,  顾磊 ,  朱忠奎 ,  王俊 ,  杜贵府

IPC: G01M13/045 ,  G06F18/24 ,  G06F18/214 ,  G06F18/2131 ,  G06N3/08 ,  G06N3/084 ,  G06N3/0464 ,  G06N3/048

Abstract: 本发明涉及一种双分类器协同引导的轴承不平衡故障诊断方法及系统，所述方法包括：采集不同工况下各个健康状态的轴承振动信号，并进行快速傅里叶变换，将其转换为频域信号，得到数据集，将数据集划分为不同工况下的源域数据和目标域数据，对所述源域数据进行标记；构建故障诊断模型，所述故障诊断模型包括共享特征提取器、平衡分类器和标准分类器；以及基于所述源域数据和所述目标域数据，构建损失函数；利用损失函数对所述故障诊断模型进行训练，得到训练后的故障诊断模型；将待测轴承振动信号输入到所述训练后的故障诊断模型中，得到故障诊断结果。本发明能够解决现有技术中诊断模型性能受标签稀缺、数据分布不平衡以及模型泛化能力提升的问题。