公开(公告)号：CN119129416A

公开(公告)日：2024-12-13

申请号：CN202411259124.1

申请日：2024-09-09

Applicant: 浙江大学

Inventor： 刘振宇 ,  董子晗 ,  刘惠 ,  江丙云 ,  钟鹏程 ,  谭建荣

IPC: G06F30/27 ,  G01K7/02 ,  G01K7/16 ,  G01J5/00 ,  G06N3/0464 ,  G06N3/042 ,  G06N3/0442 ,  G06F119/08 ,  G06F119/12

Abstract: 本申请公开了一种温度场预测网络训练、装备温度场预测方法及相关设备，涉及温度场预测领域，方法包括：获取观察点的温度数据；将观察点和目标点作为节点构建距离邻接图；建立各节点间的传热路径，得到热网邻接图；将距离邻接图和热网邻接图进行加权，得到加权有向图；掩蔽加权有向图中的部分观察点的温度数据，得到插补数据集；利用插补数据集中的掩蔽观察点和非掩蔽观察点训练温度场预测网络，得到温度场预测模型；温度场预测网络为关系图卷积网络。本申请利用加权有向图进行温度场预测，利用关系图卷积网络模型捕捉节点间的空间和时间依赖关系，实现高精度的时空依赖关系表达，从而仅使用有限的实际温度数据即可预测未知目标点的温度。

公开(公告)号：CN118585785A

公开(公告)日：2024-09-03

申请号：CN202410481948.7

申请日：2024-04-22

Applicant: 浙江大学

Inventor： 刘振宇 ,  钟鹏程 ,  刘惠 ,  杨宵祺 ,  董子晗 ,  谭建荣

IPC: G06F18/213 ,  G06F18/241 ,  G06F18/10 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048 ,  G01H17/00 ,  G01M13/045 ,  G06F123/02

Abstract: 本发明公开了一种基于并行残差收缩网络的复杂装备关键零件故障诊断方法。本发明首先通过传感器获取带有噪声的复杂装备零件运行过程振动信号；接着构建并行残差收缩网络；然后对原始振动信号进行数据预处理，从而建立训练集和验证集，训练并行残差收缩网络，获得复杂装备关键零件故障诊断模型；采集零件的振动信号并进行数据预处理后输入到训练好的诊断模型中，从而判断零件的故障类型。本发明将小波阈值降噪方法与深度学习方法结合，提出的并行残差收缩网络降低了噪声对特征学习的影响，提高了在噪声环境下复杂装备关键零件故障诊断的准确率。

公开(公告)号：CN119147236A

公开(公告)日：2024-12-17

申请号：CN202411280901.0

申请日：2024-09-12

Applicant: 浙江大学

Inventor： 刘惠 ,  钟鹏程 ,  刘振宇 ,  李瑞 ,  董子晗 ,  谭建荣

IPC: G01M13/00 ,  G01H17/00 ,  G06F18/24 ,  G06F18/2415 ,  G06F18/10 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/08 ,  G06F123/02

Abstract: 本发明公开了一种基于传感数据混合噪声抑制的装备零件故障诊断方法、装置及设备，涉及故障诊断领域。所述诊断方法包括：获取装备零件在不同故障类型下的振动信号；对振动信号进行数据预处理，获得样本，振动信号对应的故障类型作为真实标签，构建训练集和验证集；利用所述训练集和所述验证集，使用可迁移Adaboost算法和自适应代价敏感学习方法训练多个深度学习模型，获得多个训练好的深度学习模型；利用多个训练好的深度学习模型，对装备的待测零件进行故障诊断。本发明提高在混合噪声环境下装备零件故障诊断的准确率。

公开(公告)号：CN118568460A

公开(公告)日：2024-08-30

申请号：CN202410481947.2

申请日：2024-04-22

Applicant: 浙江大学

Inventor： 刘惠 ,  钟鹏程 ,  刘振宇 ,  杨宵祺 ,  董子晗 ,  谭建荣

IPC: G06F18/213 ,  G01H17/00 ,  G01M13/045 ,  G06F18/241 ,  G06F18/10 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048 ,  G06F123/02

Abstract: 本发明公开了一种基于非负铰链收缩网络的复杂装备关键零件故障诊断方法。本发明首先通过传感器获取带有噪声的复杂装备零件运行过程振动信号；接着对振动信号进行数据预处理后，得到训练集和验证集的样本，由这些样本和对应的故障类型组成训练集和验证集；然后构建非负铰链收缩网络，并通过训练集和验证集对其进行训练，获得复杂装备关键零件故障诊断模型；采集零件的振动信号并进行数据预处理，得到测试集样本并输入复杂装备关键零件故障诊断模型中，从而判断零件的故障类型。本发明将小波阈值降噪方法与深度学习方法结合，提出的非负铰链收缩网络降低了噪声对特征学习的影响，提高了在噪声环境下复杂装备关键零件故障诊断的准确率。

公开(公告)号：CN116680985A

公开(公告)日：2023-09-01

申请号：CN202310688958.3

申请日：2023-06-12

Applicant: 浙江大学

Inventor： 刘振宇 ,  钟鹏程 ,  刘惠 ,  郏维强 ,  谭建荣

IPC: G06F30/27 ,  G06N3/126 ,  G06F17/16

Abstract: 本发明公开了一种基于多零部件关联分析的复杂产品模块划分方法。本发明步骤如下：首先，从产品全生命周期的角度建立零部件最终综合关联强度矩阵；接着通过基于无向加权网络点权排序的核心零部件筛选方法，筛选出多个核心零部件；再通过基于社区内夏普利值判定的稳定重叠社区发现算法实现复杂产品模块划分，生成多个模块划分初步方案；如果方案中各模块之间有重叠零部件，则通过遗传算法把这些重叠零部件分配到最适合的模块中，并通过比较各模块划分候选方案的模块化度量值Q来确定模块划分最终方案。本发明适合零部件数量较多的复杂产品的模块划分，能快速生成复杂产品模块划分最终方案。