-
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。
-
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。
-
Patent Agency Ranking
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。
-
公开(公告)号：CN112101221A
公开(公告)日：2020-12-18
申请号：CN202010971122.0
申请日：2020-09-15
Applicant: 哈尔滨理工大学
Abstract: 一种用于交通信号灯实时检测与识别的方法，属于交通信号灯检测识别领域。本发明是针对YOLOv4算法对小目标检测不敏感导致交通信号灯检测精度较低的问题而提出的。提出浅层特征增强机制，将特征提取网络中不同阶段的两个浅层特征分别与两次上采样后得到的高层语义特征进行融合，增大两个检测层的尺度，提升网络对小目标的定位及颜色分辨能力；引入边界框不确定性预测机制，对预测边界框输出坐标进行建模，加入高斯模型计算坐标信息的不确定度，提高预测边界框的可靠性。利用LISA交通信号灯数据集分别进行检测与识别实验，检测实验中改进YOLOv4算法的AUC值为97.58％相比VIVA提升7.09％；识别实验中改进YOLOv4算法的平均精度均值为82.15％较原始YOLOv4算法提升2.86％。改进后的YOLOv4算法提升交通信号灯的检测与识别精度。
-
公开(公告)号：CN111899754A
公开(公告)日：2020-11-06
申请号：CN202010743053.8
申请日：2020-07-29
Applicant: 哈尔滨理工大学
IPC: G10L21/0272 , G10L21/0208 , G10L21/0232
Abstract: 本发明公开了GA_FastICA算法的语音分离效果算法，包括如下步骤：在传统谱减法中假定噪声信号为d(n)，纯净的语音信号为f(n)，获取带噪混合信号h(n)；带噪混合信号经过短时傅里叶变换后获得频谱；利用GA算法计算得到的增益来计算纯净语音功率谱和混合语音功率谱之间的关系，得到纯净语音信号的功率谱，弥补了传统谱减法在0dB左右交叉项为零的假设不成立弊端，通过短时傅里叶逆变换可还原成原始语音信号，FastICA算法进行语音分离，获得分离后语音信号。本发明在不同信噪比条件下，绘制了分离后语音信号时域波形，分析了分离后信号和原始信号之间的相关系数，并比较了GA_FastICA和FastICA、IBM、FOBI算法的分离效果，GA_FastICA算法可有效分离语音信号，在噪声环境下具有较好的语音分离效果。
-
公开(公告)号：CN109879170B
公开(公告)日：2020-08-04
申请号：CN201910249372.0
申请日：2019-03-29
Applicant: 哈尔滨理工大学
Abstract: 一种起重机吊臂旁弯位移实时检测系统，涉及起重机吊臂旁弯位移实时检测技术。目的是为了解决无法对大型起重机工作过程中臂架的旁弯量进行实时监测的问题。本发明的检测系统，包括两个红外激光发射器、成像设备和工业计算机；所述两个红外激光发射器位于起重机基本臂的顶端，并且两个激光发射器与基本臂的中心轴线对称，且所述两个激光发射器位于同一水平面，成像设备的红外激光接收器位于起重机基本臂的底部中央，并且所述红外激光接收器的光轴与基本臂的中心轴线平行；所述成像设备的信号输出端连接工业计算机的图像信号输入端。该系统具有操作简单方便、可靠性高，精确度高等特点。提高了起重机作业过程中的安全性，减少事故的发生。
-
公开(公告)号：CN111442926A
公开(公告)日：2020-07-24
申请号：CN202010034456.5
申请日：2020-01-11
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法，属于滚动轴承故障诊断领域，针对带有轴承型号、负载大小、损伤位置及程度标签的数据稀缺甚至无法获取，导致故障诊断准确率不高甚至无法诊断的问题而提出。首先对不同型号滚动轴承振动信号进行短时傅立叶变换，并构建二维图像数据集，选择某种型号数据作为源域，其他型号数据作为目标域；其次构建领域共享的改进AlexNet深度卷积网络引入条件对抗机制，将特征与标签联合分布的优化方法改进为随机线性组合提取深层特征，实现源域和目标域特征及标签的同时自适应；最后建立变负载下不同型号滚动轴承的故障诊断模型。实现变负载下不同型号滚动轴承多状态的精细分类并获得较高的准确率。
-
-
-
-
-
-
-
-
-
Search Results
154
records
(took 0.028 seconds)
