-
公开(公告)号：CN113221946B
公开(公告)日：2022-03-25
申请号：CN202110362779.1
申请日：2021-04-02
申请人： 中国人民解放军92578部队 , 山东大学
摘要： 本发明属于人工智能技术领域，尤其涉及一种机械设备故障种类的诊断方法。本方法通过学习有效的故障特征来缓解模式崩溃和扩展故障数据空间，从而进行机械故障种类的诊断。该组权重共享生成器被设计成生成相同类型的故障数据。同一个故障的通用特征可以通过本地共享层。通过基于生成数据和真实数据的判别器训练，判别器可以获得故障诊断能力。本方法通过构建多生成器的故障数据生成网络，解决目前基于单生成器神经网络生成故障数据方法容易出现的“模式崩溃”问题，解决生成故障数据单一的模式问题；通过组生成器局部权值共享的机制，有效学习同一故障类型数据的基础故障特征，从而有效扩展故障数据的空间分布，提高故障分类的通用性和准确率。
-
公开(公告)号：CN113221946A
公开(公告)日：2021-08-06
申请号：CN202110362779.1
申请日：2021-04-02
申请人： 中国人民解放军92578部队 , 山东大学
摘要： 本发明属于人工智能技术领域，尤其涉及一种机械设备故障种类的诊断方法。本方法通过学习有效的故障特征来缓解模式崩溃和扩展故障数据空间，从而进行机械故障种类的诊断。该组权重共享生成器被设计成生成相同类型的故障数据。同一个故障的通用特征可以通过本地共享层。通过基于生成数据和真实数据的判别器训练，判别器可以获得故障诊断能力。本方法通过构建多生成器的故障数据生成网络，解决目前基于单生成器神经网络生成故障数据方法容易出现的“模式崩溃”问题，解决生成故障数据单一的模式问题；通过组生成器局部权值共享的机制，有效学习同一故障类型数据的基础故障特征，从而有效扩展故障数据的空间分布，提高故障分类的通用性和准确率。
-
公开(公告)号：CN113203953B
公开(公告)日：2022-03-25
申请号：CN202110362770.0
申请日：2021-04-02
申请人： 中国人民解放军92578部队 , 山东大学
IPC分类号： G01R31/367 , G01R31/392 , G06N3/04 , G06N3/08
摘要： 本发明属于剩余使用寿命预测技术领域，涉及一种基于改进型极限学习机的锂电池剩余使用寿命预测方法。首先获取锂电池历史监测数据，实时采集的锂电池电流、电压、温度数据，构成训练数据集和测试数据集；构建改进型极限学习机，对训练数据集和测试数据集分别进行处理；构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命预测。本方法通过充分考虑锂电池剩余使用寿命预测数据集较小、同时考虑了不同种类数据对预测结果的影响以及同种数据之间的时间相关性，能有效提高锂电池剩余使用寿命预测的准确性，因此本发明方法具有很好的应用前景。
-
公开(公告)号：CN113203953A
公开(公告)日：2021-08-03
申请号：CN202110362770.0
申请日：2021-04-02
申请人： 中国人民解放军92578部队 , 山东大学
IPC分类号： G01R31/367 , G01R31/392 , G06N3/04 , G06N3/08
摘要： 本发明属于剩余使用寿命预测技术领域，涉及一种基于改进型极限学习机的锂电池剩余使用寿命预测方法。首先获取锂电池历史监测数据，实时采集的锂电池电流、电压、温度数据，构成训练数据集和测试数据集；构建改进型极限学习机，对训练数据集和测试数据集分别进行处理；构建相邻剩余使用寿命值对应的电流、电压、温度数据的前后相关性；利用训练好的改进型极限学习机，得到测试数据的预测结果，完成锂电池剩余使用寿命预测。本方法通过充分考虑锂电池剩余使用寿命预测数据集较小、同时考虑了不同种类数据对预测结果的影响以及同种数据之间的时间相关性，能有效提高锂电池剩余使用寿命预测的准确性，因此本发明方法具有很好的应用前景。
-
公开(公告)号：CN111738455A
公开(公告)日：2020-10-02
申请号：CN202010490493.7
申请日：2020-06-02
申请人： 山东大学
摘要： 本公开提供了一种基于集成域自适应的故障诊断方法及系统，利用两个特征提取器将源域和目标域数据投影到不同的特征空间中，其中一个特征提取器基于域对抗学习来学习特征，另一个特征提取器将最大均值差异作为损失函数进行学习，不同的特征提取器使用不同的损失函数，得到不同的分类结果，并将分类结果集成到域自适应中，输出得到故障诊断结果，在两个域之间存在较大的差异时，有效提取数据中的特征表达，大大提高故障诊断的性能。
-
公开(公告)号：CN110728377A
公开(公告)日：2020-01-24
申请号：CN201911000874.6
申请日：2019-10-21
申请人： 山东大学
摘要： 本公开提供了一种面向机电设备的智能故障诊断方法及系统，获取目标机器的以往故障数据，构成训练数据；获取目标机器的实时采集数据，构成测试数据；构建域自适应网络模型，对网络模型进行训练，并将不同数据的输出进行标记，并最小化训练数据和测试数据之间的差异，并对训练数据的特征进行提取和分类；利用训练好的模型得到测试数据的伪标记，利用加权伪标记测试数据和原始训练数据，对整个网络模型进行至少一次的重训练；利用重训练后的模型对测试数据进行预测和分类，得到机器的故障诊断结果。能够进一步提高诊断的准确度。
-
公开(公告)号：CN112381745B
公开(公告)日：2023-09-22
申请号：CN202011231617.6
申请日：2020-11-06
申请人： 山东大学
摘要： 本发明提供了一种基于多源数据合成的侧扫声呐图像数据增强方法及系统，获取多源图像的目标轮廓信息和像素信息；基于所述轮廓信息和像素信息，对轮廓进行像素填充，初步合成声呐图像；将初步合成的图像放在海底混响区，得到合成的侧扫声呐图像。本发明结合多源图像，获取声呐图像中同类目标的不同视角、不同型号的轮廓信息，通过声呐图像像素信息和多源图像轮廓信息，对轮廓进行像素填充，从而增加少数量目标样本的数量。
-
公开(公告)号：CN112380767B
公开(公告)日：2023-04-07
申请号：CN202011256522.X
申请日：2020-11-11
申请人： 山东大学
IPC分类号： G06F18/214 , G06F18/213 , G06F18/2415 , G06F18/2431 , G06N3/045 , G06N3/0464 , G06N3/047 , G06N3/0475 , G06N3/048 , G06N3/084 , G06N3/094
摘要： 本发明公开了基于改进型生成对抗网络的设备故障诊断方法及系统，获取待诊断设备故障信号；基于待诊断设备故障信号，获取待诊断噪声信号；对待诊断噪声信号进行随机采样，得到具有不同均值和方差的随机噪声；基于不同均值和方差的随机噪声，根据训练后的改进型生成对抗网络，获取待诊断设备的故障信号对应的故障类型。新提出的网络模型一定程度上解决了模态崩溃和训练不稳定的问题，提高了生成样本的多样性，模型的生成器可以生成高质量的样本，既包含了原始故障样本的特征，同时也生成了新的特征。
-
公开(公告)号：CN113780151B
公开(公告)日：2022-05-20
申请号：CN202111043157.9
申请日：2021-09-07
申请人： 山东大学
摘要： 本发明提供了一种双线性特征融合的轴承故障诊断方法及系统，获取各传感器检测的轴承信号，并将其分成时域和时频域两种数据；提取每个传感器的两种数据的特征，基于相互注意力机制，进行时域数据特征与时频数据特征的交互和融合；对各个传感器提取融合后的特征进行深度融合；对深度融合后的特征进行分类，得到诊断结果。本发明能够解决不同输入特征间的交互问题、不同信号源特征的有效融合问题，提高轴承故障诊断的精度。
-
公开(公告)号：CN111274737A
公开(公告)日：2020-06-12
申请号：CN202010115620.5
申请日：2020-02-25
申请人： 山东大学
IPC分类号： G06F30/27 , G06N3/04 , G06N3/08 , G06F119/04
摘要： 本公开公开了一种机械设备剩余使用寿命预测方法及系统，包括：以时间卷积网络作为特征提取算法，长短期记忆网络作为回归预测算法，构建深度神经网络寿命预测模型，训练深度神经网络寿命预测模型；根据被测设备型号和数据采集时间顺序，将采集的被测设备实时运行数据构建为具有时间序列特征的寿命预测数据集；以深度神经网络寿命预测模型对寿命预测数据集进行预测处理，获得被测设备的剩余使用寿命。根据监测机械设备的传感器输出的状态监测信号具备时间序列的特征，将时间卷积网络和长短期记忆网络相结合，建立深度神经网络寿命预测模型进行机械设备的RUL预测，解决一般深度神经网络模型存在的过拟合问题和梯度消失问题，提高预测精准度。
-
-
-
-
-
-
-
-
-
搜索结果
18 条记录 (耗时 0.04 秒)
