-
公开(公告)号：CN110186680A
公开(公告)日：2019-08-30
申请号：CN201910463197.5
申请日：2019-05-30
Applicant: 盐城工学院
IPC: G01M13/045 , G06K9/62
Abstract: 本发明公开了一种对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：包括，构建模型框架；模型学习；其中，所述模型框架包括源特征提取器、目标特征提取器、类标签分类器和域分类器；所述构建模型框架的步骤包括：获取机械振动源域数据和目标域数据；输入源域样本集和源域标签集；建立对抗判别故障诊断模型；构建故障诊断损失函数；其中，所述损失函数包括源域分类损失函数、域分类损失函数和对抗损失函数，本发明基于对抗判别域适应一维卷积神经网络智能故障诊断方法提出了新的对抗判别域适应智能故障诊断框架，本框架结合了判别建模、无约束权重共享和GAN丢失，大大提高了机械故障诊断准确性及其效率。
-
公开(公告)号：CN115176751B
公开(公告)日：2023-11-07
申请号：CN202210843585.8
申请日：2022-07-18
Applicant: 盐城工学院
Abstract: 本发明公开了一种智能化鱼塘增氧撒料装置，包括构架、推进装置、单体撒料增氧装置、太阳能装置以及水体净化装置，通过构架中的总支撑架与漂浮管相连，实现对增氧撒料装置在水中的支撑，通过推进装置中的轴盖、轴孔盖、推进旋片以及推进气架相互配合，实现推进功能，所述单体撒料增氧装置包括旋转环、浮力支架、驱动电机、过滤口、排气风扇、出气口、撒料外壳以及撒料过滤器，通过驱动电机驱动，扩大鱼饵饲料的播撒范围，所述太阳能装置包括能源装置、传输台以及太阳能板，降低了能耗，本发明提供了一种智能化鱼塘增氧撒料装置的使用方法，集中所有的控制系统，将单个产品组合成一个机器群，增加机器的联动性，有效增加了覆盖水域。
-
公开(公告)号：CN110186680B
公开(公告)日：2022-05-24
申请号：CN201910463197.5
申请日：2019-05-30
Applicant: 盐城工学院
IPC: G01M13/045 , G06K9/62
Abstract: 本发明公开了一种对抗判别域适应一维卷积神经网络智能故障诊断方法，其特征在于：包括，构建模型框架；模型学习；其中，所述模型框架包括源特征提取器、目标特征提取器、类标签分类器和域分类器；所述构建模型框架的步骤包括：获取机械振动源域数据和目标域数据；输入源域样本集和源域标签集；建立对抗判别故障诊断模型；构建故障诊断损失函数；其中，所述损失函数包括源域分类损失函数、域分类损失函数和对抗损失函数，本发明基于对抗判别域适应一维卷积神经网络智能故障诊断方法提出了新的对抗判别域适应智能故障诊断框架，本框架结合了判别建模、无约束权重共享和GAN丢失，大大提高了机械故障诊断准确性及其效率。
-
公开(公告)号：CN110210381A
公开(公告)日：2019-09-06
申请号：CN201910463202.2
申请日：2019-05-30
Applicant: 盐城工学院
Abstract: 本发明公开了一种域分离自适应一维卷积神经网络智能故障诊断方法，包括，获取机械振动信号，并构建样本集和标签集；建立模型损失函数构并建故障诊断模型；训练并确认模型；其中，所述振动信号区分为源域信号和目标域信号；本发明提出域分离自适应一维卷积神经网络智能故障诊断方法，解决故障诊断中训练数据和测试数据来自不同域导致的诊断精度下降和鲁棒性低的问题，完善故障诊断系统。
-
公开(公告)号：CN110188822A
公开(公告)日：2019-08-30
申请号：CN201910464002.9
申请日：2019-05-30
Applicant: 盐城工学院
Abstract: 本发明公开了一种域对抗自适应一维卷积神经网络智能故障诊断方法，包括构建阶段和学习阶段，所述构建阶段获通过获取的机械振动信号构建域对抗分类损失函数；所述学习阶段对所述构建阶段获取的域对抗分类损失函数进行模型训练及模型预测；本发明域对抗自适应一维卷积神经网络智能故障诊断方法，实现了无监督自适应学习源域样本的判别性特征和基于源域样本与目标域样本的域不变特征，提高故障诊断系统的诊断性能和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN114992487A
公开(公告)日：2022-09-02
申请号：CN202210565101.8
申请日：2022-05-23
Applicant: 盐城工学院
Abstract: 本发明公开了一种基于计算机联网的直升机模拟显示装置，包括：底座、固定架和固定机构，固定架竖直安装在底座的顶面，固定架的内部为中空结构且固定架的表面纵向开设有三个等距分布的滑槽，固定机构滑动连接在固定架的前部。本发明将连接板从固定块上拆卸，然后将固定板从固定块上拔出，并采用螺栓将固定板与显示屏固定连接，固定连接完成后将固定杆重新插入到固定孔内，然后将插杆从上方插入固定孔并与固定杆镶嵌连接，采用螺栓对连接板进行固定，固定完成后通过驱动电机来带动螺杆转动，螺杆转动后对对应的固定机构进行高度调节，需要调节显示屏角度时，只需要推动支板，支板以铰链为中心进行转动，达到角度调节的效果。
-
公开(公告)号：CN111610026A
公开(公告)日：2020-09-01
申请号：CN202010599985.X
申请日：2020-06-28
Applicant: 盐城工学院
IPC: G01M13/045 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度聚类的旋转机械故障诊断方法，包括，采集无标签的机械振动信号；对所述无标签的机械振动信号进行预处理，得到信号数据集；构建自编码器结构，并对所述自编码器结构进行预训练；所述自编码器结构通过预训练学习数据的初始特征表示；设置流形学习方法的超参数并使用所述流形学习方法搜索更可聚类的流形来重新学习所述栈式自编码器嵌入；基于更新后的嵌入，应用浅聚类算法完成聚类，进行结果评价。本发明的有益效果：采用浅层聚类算法，降低了模型的计算复杂度，减少了所需耗时，同时确保诊断结果的精度，从而可以更好地应用到实际工业场景中。
-
公开(公告)号：CN111353373A
公开(公告)日：2020-06-30
申请号：CN201911202315.3
申请日：2019-11-29
Applicant: 盐城工学院
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G01M13/045
Abstract: 本发明公开了一种相关对齐域适应故障诊断方法，包括步骤，采集轴承源振动数据，并将其划分训练样本和测试样本；训练模型，确定模型参数；故障诊断；其中，所述源振动数据包括无标签的目标数据和有标签的源域数据；所述采集轴承源振动数据通过传感器获取；其中，所述传感器为加速传感器本方法结合黎曼度量相关对齐和一维卷积神经网络(RMCA-1DCNN)的无监督域自适应轴承故障诊断模型，源域和目标域中特定激活层的二阶统计对齐被认为是一个正则化项，并嵌入到深卷积神经网络结构中以补偿域移位，在CWRU轴承数据集上的实验结果表明，该方法具有较强的故障识别能力和域不变性，提高了诊断的性能。
-
公开(公告)号：CN110210381B
公开(公告)日：2023-08-25
申请号：CN201910463202.2
申请日：2019-05-30
Applicant: 盐城工学院
IPC: G06F18/213 , G06F18/214 , G06N3/0464
Abstract: 本发明公开了一种域分离自适应一维卷积神经网络智能故障诊断方法，包括，获取机械振动信号，并构建样本集和标签集；建立模型损失函数构并建故障诊断模型；训练并确认模型；其中，所述振动信号区分为源域信号和目标域信号；本发明提出域分离自适应一维卷积神经网络智能故障诊断方法，解决故障诊断中训练数据和测试数据来自不同域导致的诊断精度下降和鲁棒性低的问题，完善故障诊断系统。
-
公开(公告)号：CN110188822B
公开(公告)日：2023-07-25
申请号：CN201910464002.9
申请日：2019-05-30
Applicant: 盐城工学院
IPC: G06F18/241 , G06F18/214 , G06F30/20 , G06F30/17 , G06N3/0464 , G01M13/04
Abstract: 本发明公开了一种域对抗自适应一维卷积神经网络智能故障诊断方法，包括构建阶段和学习阶段，所述构建阶段获通过获取的机械振动信号构建域对抗分类损失函数；所述学习阶段对所述构建阶段获取的域对抗分类损失函数进行模型训练及模型预测；本发明域对抗自适应一维卷积神经网络智能故障诊断方法，实现了无监督自适应学习源域样本的判别性特征和基于源域样本与目标域样本的域不变特征，提高故障诊断系统的诊断性能和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.02 seconds)
