公开(公告)号：CN116502175A

公开(公告)日：2023-07-28

申请号：CN202310254802.4

申请日：2023-03-15

申请人： 华南理工大学

发明人： 吴百礼 ,  李巍华 ,  赵荣超 ,  陈祝云 ,  贺毅

IPC分类号： G06F18/25 ,  G06F18/241 ,  G06F18/214 ,  G06F18/213 ,  G06F17/16 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了一种图神经网络故障诊断方法、装置和存储介质，其中方法包括：采集旋转机械在不同实验工况下的振动加速度信号，根据振动加速度信号获取样本，并对样本进行标注，获得样本数据集；构建用于识别不同工况故障的多尺度时空信息融合驱动的图神经网络；根据样本数据集对图神经网络进行训练优化；在测试阶段，将不同工况的测试样本输入训练后的图神经网络，输出样本故障的概率分布，获取概率最大的故障为预测样本标签。本发明从多维时序信息特征提取出发，构造单分支下不同尺度大小的卷积核分别对原始振动信号进行不同尺度特征提取，有效克服了现有单尺度结构特征提取不足以及多分支结构计算量大的问题，可广泛应用于机械设备故障诊断领域。

公开(公告)号：CN117113252A

公开(公告)日：2023-11-24

申请号：CN202311060547.6

申请日：2023-08-22

申请人： 华南理工大学

发明人： 李巍华 ,  万海洋 ,  陈祝云 ,  许维冬 ,  贺毅

IPC分类号： G06F18/2433 ,  G01M13/028 ,  G01M13/045 ,  G06F18/2131 ,  G06F18/22 ,  G06N3/0475 ,  G06N3/094

摘要： 本发明公布了基于特征对齐残差GAN的机械旋转设备变工况异常检测方法，所述方法包括：将旋转机械数据构建时频图，利用一种编码器GE(x)与解码器GD(x)分别结合残差模块ResNet的自编码网络进行时频图的重构，利用判别器D判别重构数据和源数据的真假从而判断出异常数据，网络的损失函数含有对抗损失Ladv、生成器重建数据误差的上下文损失Lcon、编码器损失Lenc，以及构造排位奇偶数据分类进行特征值对齐的Wasserstein distance的损失Lw‑gan。本发明对变工况状态下的旋转机械的异常检测有很好的效果，能够提前检测旋转机械设备故障异常，保证工业系统长周期稳定运行、避严重事故的发生具有重要的社会意义。

公开(公告)号：CN116738338A

公开(公告)日：2023-09-12

申请号：CN202310633576.0

申请日：2023-05-31

申请人： 华南理工大学

发明人： 李巍华 ,  何敬科 ,  陈祝云 ,  许维冬 ,  贺毅

IPC分类号： G06F18/243 ,  G06F18/214 ,  G01M13/045

摘要： 本发明公开了基于多尺度集成LightGBM的小样本故障诊断方法，包括以下步骤：采集旋转机械的振动加速度信号并截取样本，得到训练集和测试集；构建由数据增强模块、标签分类模块和输出加权模块组成的多尺度集成模型；在数据增强模块，利用多尺度滑动窗口对原始样本进行重采样，得到多个子样本训练集和子样本测试集；在训练阶段，利用子样本训练集训练标签分类模块中的多组分类器；在测试阶段，将子样本测试集分别输入对应组别的分类器中，通过集成得到标签分类模块对原始样本的测试结果；利用度量函数计算测试集与训练集样本在频域上的相似度，并作为权重；在输出加权模块，对集成后的测试结果进行加权，得到最终的分类诊断结果。

公开(公告)号：CN117951494A

公开(公告)日：2024-04-30

申请号：CN202311721794.6

申请日：2023-12-14

申请人： 华南理工大学

发明人： 李巍华 ,  许维冬 ,  何敬科 ,  陈祝云 ,  温楷儒 ,  蓝昊 ,  贺毅

IPC分类号： G06F18/213 ,  G06F18/214 ,  G06F18/2415 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了基于多任务图神经网络的智能故障诊断与寿命预测方法。所述方法具体如下：采集旋转机械的全寿命周期振动信号，设置故障类别标签和剩余使用寿命标签；对振动信号利用滑动窗口提取多个时频域特征，同时计算特征之间的相关系数，结合标签信息构建样本图；将样本图输入图卷积模块，通过图同构层和全局平均池化层自动提取深度特征；将图卷积模块提取的特征输入自注意力模块，利用自注意力机制进行加权；将经过加权后的特征并行地输入分别用于执行故障诊断任务和寿命预测任务的两个全连接层，构建联合损失函数进行训练，得到多任务模型；将测试样本图输入训练好的多任务模型，模型的可同时输出该样本图所属的故障类别及剩余使用寿命情况。

公开(公告)号：CN117140510A

公开(公告)日：2023-12-01

申请号：CN202311138452.1

申请日：2023-09-05

申请人： 华南理工大学

发明人： 贺毅 ,  李巍华 ,  陈祝云 ,  陈浚彬 ,  万海洋 ,  许维冬

IPC分类号： B25J9/16

摘要： 本发明提供的一种机器人运动特征实时识别方法，包括以下步骤：实时采集工业机器人运动过程中各轴的运动数据，所述各轴的运动数据为各轴的轴速度；对采集得到的机器人各个轴的运动数据进行预处理和存储；采用神经网络算法学习机器人各个轴的运动历史数据，识别当前机器人的多种运动特征并存储特征参数矩阵。实时采集机器人运动特征数据，通过状态数据的特征分析进行机器人实时特征识别。避免了通过第三方系统识别过程中的识别不准、无法确定机器人当前运动特征的情况。