-
公开(公告)号：CN119312228B
公开(公告)日：2025-04-15
申请号：CN202411382420.0
申请日：2024-09-30
Applicant: 哈尔滨理工大学
IPC: G06F18/2431 , G06F18/2415 , G06F18/214 , G06N3/098 , G06N3/0464
Abstract: 本发明公开了一种个性化联邦跳跃聚合策略的谐波减速器故障诊断方法及系统，涉及减速器故障诊断技术领域，以解决数据孤岛下不同谐波减速器用户间数据分布差异导致故障诊断精度低的问题。本发明的技术要点包括：提出基于二次聚合的模型构建方法用于部署个性化本地模型，以用户为中心，通过二次聚合为每个用户部署适用于本地数据集的个性化初始化模型，同时利用L2正则化避免过拟合，解决全局模型准确率下降问题；提出基于循环权重的联邦聚合策略，以加快全局模型收敛；在全局模型参数下发阶段，提出模型参数跳跃聚合策略，在不增加额外计算开销的情况下克服FedAvg算法收敛缓慢的缺点。本发明适用于保证数据隐私的多用户谐波减速器协同故障诊断。
-
公开(公告)号：CN119513654A
公开(公告)日：2025-02-25
申请号：CN202411542983.1
申请日：2024-10-31
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G01M13/028 , G06F18/2131 , G06F30/27 , G06N3/0464 , G06N3/088 , G06F119/14
Abstract: 本发明公开了一种基于数字孪生的不同工况下工业机器人谐波减速器故障诊断方法及系统，涉及谐波减速器故障诊断技术领域。本发明的技术要点包括：首先，基于动力学建模方法构建谐波减速器故障数字孪生模型，获取孪生数据；其次，提出基于循环生成对抗网络的数字孪生虚实映射方法，实现孪生数据与实测数据的虚实映射；然后，引入改进的半软阈值函数构建深度残差收缩网络，抑制噪声干扰并提取特征，同时在无监督场景下对所提特征进行域适应处理，利用MMD减小领域间分布差异，实现不同工况下的故障诊断。最后，搭建谐波减速器故障模拟试验台并进行实验验证，本发明有效解决了无监督场景中不同工况下工业机器人谐波减速器的故障诊断问题。
-
公开(公告)号：CN113723489B
公开(公告)日：2024-11-29
申请号：CN202110975013.0
申请日：2021-08-24
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/0985 , G01M13/045
Abstract: 一种改进关系网络的滚动轴承故障识别方法，涉及轴承故障识别技术领域，用以解决在少量标记样本情况下，现有滚动轴承故障识别模型对于故障识别效果不佳的问题。本发明的技术要点包括：根据元学习训练策略划分数据集，并将残差收缩模块和SELU激活函数引入关系网络的嵌入模块中，残差收缩模块利用注意力机制自动确定阈值，将信号中的冗余信息剔除；利用嵌入模块提取样本特征，并将支持集样本特征和查询集特征进行拼接，输入到关系模块中；最后根据关系分数对查询集样本进行分类，实现滚动轴承故障识别。本发明仅使用少量标记样本就可以训练出故障识别模型，解决了在某种型号轴承数据上训练的模型泛化能力差，不能有效用于其他型号轴承故障识别的问题。
-
公开(公告)号：CN114861778B
公开(公告)日：2024-10-25
申请号：CN202210429221.5
申请日：2022-04-22
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/10 , G01M13/04 , G06N3/045 , G06N3/096
Abstract: 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法，涉及滚动轴承故障分类技术领域，用以解决深度学习网络训练耗时以及不同负载下滚动轴承的源域数据和目标域数据分布差异较大的问题。本发明的技术要点包括：以循环扩展的方式建立宽度学习系统(BLS)的增强节点窗口，并在增强层引入Maxout激活函数构建改进的BLS网络，同时引入遗传算法优化网络节点结构，建立基于源域数据的预训练模型；将预训练模型的网络参数、特征层和增强层的权重参数迁移至目标域网络，并利用少量目标域训练样本微调网络建立状态分类模型。本发明方法可以在更短的时间内建立分类模型并获得良好的分类准确率，适用于不同负载下滚动轴承故障状态的快速分类。
-
公开(公告)号：CN118035893A
公开(公告)日：2024-05-14
申请号：CN202410231134.8
申请日：2024-02-29
Applicant: 哈尔滨理工大学
IPC: G06F18/2431 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/096 , G06N3/098 , H04L9/00
Abstract: 一种云边协同联邦模型迁移的滚动轴承故障诊断方法及系统，涉及滚动轴承故障诊断技术领域。针对机械设备故障诊断中联邦学习框架云端通信成本高以及某种规格滚动轴承带标签样本稀缺，导致诊断准确率低的问题而提出的。该方法将云边协同和联邦学习相结合，构建多用户轴承故障诊断新框架，以减轻云端通信压力；利用残差网络提取振动信号特征，构建多用户本地模型；引入双重加密机制，提升参数传递过程中的安全性；将云边端协同构建的源域共享模型发送至目标域用户，并提出利用自适应微调策略改进模型迁移方法，从而实现多用户孤岛隐私数据下不同规格滚动轴承跨域故障诊断。经实验验证，所提方法相比于传统联邦学习框架在3种数据集上平均节省69.1％的时间成本，有效提高了故障诊断效率、减轻了云端通信开销和计算压力，且跨域故障诊断准确率平均提升8.2％，具有较强的泛化性。
-
Patent Agency Ranking
公开(公告)号：CN116775873A
公开(公告)日：2023-09-19
申请号：CN202310738400.1
申请日：2023-06-20
Applicant: 哈尔滨理工大学
IPC: G06F16/35 , G06F18/24 , G06F18/25 , G06F40/35 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明提出一种多模态对话情感识别方法，属于对话情感识别技术领域。包括：S1.使用不同的编码器对每轮对话的单模态数据进行编码，得到对话中每个模态的特征表示；S2.对一轮对话的上下文对话信息进行聚合；S3.将对话中的每句话交互的多模态特征进行线性变换后进行模态间的特征融合；S4.基于辅助任务对每个模态的特征使用独立的分类器进行分类，使用主任务分类器对融合后的特征进行主任务情感分类，分别计算分类损失，最终模型损失由辅助任务和主任务损失进行加权计算；S5.将多模态数据输入至主任务分类器中，输出情感类别。解决没有结合所有对话上下文对情感信息进行充分的挖掘，各模态数据表达情感的关联性没有被充分利用的问题。
-
公开(公告)号：CN113408430B
公开(公告)日：2022-09-09
申请号：CN202110692364.0
申请日：2021-06-22
Applicant: 哈尔滨理工大学
IPC: G06K9/00 , G06F40/211 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明是一种基于多级策略和深度强化学习框架的图像中文描述系统及方法，属于计算机视觉和自然语言处理的交叉领域，图像中文描述方法针对图像中文描述中生成语句的连贯性不佳、可读性差、模型训练时间长等问题；基于RNN的模型，语言指标和视觉语义功能集成以进行优化。所提出的框架包括多级策略网络和多级奖励功能两个模块，引入ResNet152网络提取图像全局特征,通过双层门控循环单元网络(GRU)解码生成图像中文描述模型。本文使用AI Challenger全球AI挑战赛图像中文描述数据集进行实验，并针对词级策略网络和语言奖励功能(56)对比文件王玉静等.Chinese Alt Text WritingBased on Deep Learning《.Internationalinformation and Engineering technologyassociation》.2019,第36卷(第2期),161-170.Soheyla Amirian等.Automatic Image andVideo Caption Generation With DeepLearning: A Concise Review andAlgorithmic Overlap《.IEEE Access》.2020,第8卷全文.徐航.基于深度网络与多特征融合的视频语义描述方法研究《.中国优秀硕士学位论文全文数据库 (信息科技辑)》.2020,(第2期),全文.
-
公开(公告)号：CN114861778A
公开(公告)日：2022-08-05
申请号：CN202210429221.5
申请日：2022-04-22
Applicant: 哈尔滨理工大学
Abstract: 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法，涉及滚动轴承故障分类技术领域，用以解决深度学习网络训练耗时以及不同负载下滚动轴承的源域数据和目标域数据分布差异较大的问题。本发明的技术要点包括：以循环扩展的方式建立宽度学习系统(BLS)的增强节点窗口，并在增强层引入Maxout激活函数构建改进的BLS网络，同时引入遗传算法优化网络节点结构，建立基于源域数据的预训练模型；将预训练模型的网络参数、特征层和增强层的权重参数迁移至目标域网络，并利用少量目标域训练样本微调网络建立状态分类模型。本发明方法可以在更短的时间内建立分类模型并获得良好的分类准确率，适用于不同负载下滚动轴承故障状态的快速分类。
-
公开(公告)号：CN109902393B
公开(公告)日：2022-06-14
申请号：CN201910159895.6
申请日：2019-03-01
Applicant: 哈尔滨理工大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G01M13/045
Abstract: 一种基于深层特征和迁移学习的变工况下滚动轴承故障诊断方法，涉及故障诊断技术领域，为了解决变工况下滚动轴承不同故障位置及不同性能退化程度多状态识别准确率低的问题。首先采用SDAE对滚动轴承振动信号频域幅值进行特征提取，得到振动信号深层特征，并构成源域特征样本集和目标域特征样本集。然后采用JGSA对源域特征样本与目标域特征样本进行域适应处理，达到同时减少域间特征样本的分布偏移及子空间变换差异的目的，进而缩减不同类特征样本间的域偏移。最后通过K近邻算法完成变工况下滚动轴承多状态分类。本发明与其他方法相比较，在滚动轴承变工况条件下表现出更好的特征提取能力，其样本特征可视化效果最佳，变工况下滚动轴承故障诊断准确率高。
-
公开(公告)号：CN110849627B
公开(公告)日：2021-11-16
申请号：CN201911187811.6
申请日：2019-11-27
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06N20/00
Abstract: 一种宽度迁移学习网络及基于宽度迁移学习网络的滚动轴承故障诊断方法，属于轴承故障诊断技术领域。针对变负载下滚动轴承带标记信息的振动数据稀缺、相同状态的源域数据和目标域数据分布差异大、多状态数据分布不平衡、诊断准确率和模型训练效率低的问题，提出一种新的宽度迁移学习网络及基于此的滚动轴承智能诊断方法。本发明利用宽度学习系统提取源域数据与目标域数据的特征并构造样本集，在此基础上，采用迁移学习中的平衡分布适配方法，减少源域和目标域之间的差异性。引入鸡群算法，优化宽度迁移学习网络参数，进而建立宽度迁移学习网络模型。将所提网络模型应用于变负载下滚动轴承故障智能诊断中，实验结果验证了所提方法的高效性和准确性。
-
-
-
-
-
-
-
-
-
Search Results
137
records
(took 0.031 seconds)
