公开(公告)号：CN117993282A

公开(公告)日：2024-05-07

申请号：CN202410013035.2

申请日：2024-01-04

Applicant: 北京工业大学

Inventor： 李方昱 ,  陈旭强 ,  杜永萍 ,  韩红桂

IPC: G06F30/27 ,  G06N3/098 ,  G06F119/02

Abstract: 本发明设计了一种面向智能制造故障诊断的域适应性信息瓶颈联邦学习方法，旨在解决不同生产线间由于不同域数据分布差异所带来的建模挑战。该算法首先建立一个全局目标函数，该函数基于不同域特征信息瓶颈，考虑数据规模的多样性，对域的压缩表征进行重加权。通过联邦学习框架，实现了跨域不变特征的有效提取，从而提升全局模型的对于故障预测精度。在实际工业环境中，尤其是在面临不同生产线数据差异性时，该方法能有效克服全局模型表达能力受限故障预测精度较低的问题，提供了一种针对智能制造故障诊断领域的高精度联合建模解决方案。

公开(公告)号：CN119202715A

公开(公告)日：2024-12-27

申请号：CN202411227082.3

申请日：2024-09-03

Applicant: 北京工业大学

Inventor： 李方昱 ,  陈旭强 ,  杜永萍 ,  韩红桂

IPC: G06F18/214 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提出一种基于设备不确定性的分布式系统工况辨识方法，旨在解决由于数据异质所带来的工况辨识挑战。该方法通过量化设备的不确定性，有效地对分布式系统中的设备进行可靠建模，从而提高系统工况辨识的准确性。通过降低不同客户端中的预测不确定性并聚合可靠客户端，本发明实现了在数据异质条件下对系统工况的高效辨识，特别是在不同设备间数据分布差异较大的情况下，能够显著提升全局模型的预测精度，为分布式系统的可靠状态监测提供了坚实的技术基础。