-
公开(公告)号：CN115062648B
公开(公告)日：2024-06-07
申请号：CN202210620387.5
申请日：2022-06-02
申请人： 华南理工大学
IPC分类号： G06F18/24 , G06F18/213 , G06N3/0464 , G06N3/048 , G06N3/08
摘要： 本发明公开了一种旋转机械故障诊断方法、系统、装置及存储介质，其中方法包括：获取数据集；构建用于故障诊断的轻量化一维卷积神经网络，网络框架包括4个部分：大卷积核宽度的第一卷积层、k个操作算子可选择的中间层叠加、全局平均池化层、全连接输出层；定义神经网络待优化的超参数的搜索空间；利用树结构parzen估计器(TPE)的自动化超参数优化方法对网络进行训练，获得在迭代次数内最优的超参数集；将使用最优超参数集的神经网络在训练集中重头训练，得到训练后的模型。本发明自动为故障诊断模型搜索超参数，节约人工劳动力，同时所得故障诊断模型的网络参数量小，运算速度快且准确率高，可广泛应用于旋转机械智能故障诊断领域。
-
公开(公告)号：CN108894562B
公开(公告)日：2024-02-09
申请号：CN201810714032.6
申请日：2018-06-29
申请人： 华南理工大学
摘要： 本发明公开了一种基于液压的倾斜式组合停车装置，包括底座、停车板、液压举升装置、横向出入库导轨、弹簧回弹式限位锁止挡板，所述停车板的一端与底座的一端铰接形成转动副，所述液压升举装置的一端与停车板的底部中心位置相铰接，另一端与底座相铰接，所述弹簧回弹式限位锁止挡板按车轮分布方式相应设置在所述停车板上表面，所述底座底部设置有沿所述横向出入库导轨移动的驱动轮，所述横向出入库导轨与地面固定且与车身横向移动方向相一致。本发明提供的停车装置可有效节省停车面积，结构简单，安全可靠，有效解决停车位少的问题。
-
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
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。
-
公开(公告)号：CN117113169A
公开(公告)日：2023-11-24
申请号：CN202310918470.5
申请日：2023-07-25
申请人： 华南理工大学
IPC分类号： G06F18/241 , G06F18/214 , G01M13/021 , G01M13/028 , G01M13/045
摘要： 本发明公开了一种基于深度知识蒸馏网络的工业流式数据在线故障诊断方法，包括步骤：(1)采集机械设备在多个不同运行工况下的原始振动信号，划分为一个源域和多个目标域，并截取相同长度的数据来构成训练和测试样本；(2)设计并构建网络结构，网络整体框架包括：特征提取器和故障分类器；(3)利用有标签的源域样本对模型进行有监督训练，获得初始源模型；(4)结合基于概率置信度的知识蒸馏算法和最大信息熵算法训练模型；(5)将测试样本输入到训练好的模型中，可以得到模型在各个域(各个任务)上的故障分类结果。本发明可以在保护数据隐私的同时实现对工业流式数据中增量故障的有效诊断，具有较高的工业应用价值。
-
公开(公告)号：CN108894562A
公开(公告)日：2018-11-27
申请号：CN201810714032.6
申请日：2018-06-29
申请人： 华南理工大学
摘要： 本发明公开了一种基于液压的倾斜式组合停车装置，包括底座、停车板、液压举升装置、横向出入库导轨、弹簧回弹式限位锁止挡板，所述停车板的一端与底座的一端铰接形成转动副，所述液压升举装置的一端与停车板的底部中心位置相铰接，另一端与底座相铰接，所述弹簧回弹式限位锁止挡板按车轮分布方式相应设置在所述停车板上表面，所述底座底部设置有沿所述横向出入库导轨移动的驱动轮，所述横向出入库导轨与地面固定且与车身横向移动方向相一致。本发明提供的停车装置可有效节省停车面积，结构简单，安全可靠，有效解决停车位少的问题。
-
公开(公告)号：CN117113215A
公开(公告)日：2023-11-24
申请号：CN202310918468.8
申请日：2023-07-25
申请人： 华南理工大学
IPC分类号： G06F18/2415 , G01M13/045 , G06F18/213 , G06F18/211 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/0985 , G06N3/084
摘要： 本发明公开了一种面向工业流式数据的增量式元学习在线故障诊断方法，包括以下步骤：S1：通过传感器采集不同工况下不同故障模式的振动信号，划分多个诊断阶段数据集。S2：搭建并训练初始故障诊断模型。S3：引入Herding算法从旧任务训练数据集中选取小批量的代表性样本存入数据缓存模块。S4：从数据缓存模块和新阶段训练数据集中联合随机抽样组成多任务训练集，元训练更新各子任务模型参数。S5：通过动态平衡的元更新策略更新通用模型参数。本发明方法可以挖掘各阶段任务间的通用诊断知识，同时通过设计一种动态元更新策略用于平衡模型对新知识的学习和对旧知识的记忆，使得模型可以快速泛化于新诊断任务，新故障数据以及新生故障模式。
-
公开(公告)号：CN115062648A
公开(公告)日：2022-09-16
申请号：CN202210620387.5
申请日：2022-06-02
申请人： 华南理工大学
摘要： 本发明公开了一种旋转机械故障诊断方法、系统、装置及存储介质，其中方法包括：获取数据集；构建用于故障诊断的轻量化一维卷积神经网络，网络框架包括4个部分：大卷积核宽度的第一卷积层、k个操作算子可选择的中间层叠加、全局平均池化层、全连接输出层；定义神经网络待优化的超参数的搜索空间；利用树结构parzen估计器(TPE)的自动化超参数优化方法对网络进行训练，获得在迭代次数内最优的超参数集；将使用最优超参数集的神经网络在训练集中重头训练，得到训练后的模型。本发明自动为故障诊断模型搜索超参数，节约人工劳动力，同时所得故障诊断模型的网络参数量小，运算速度快且准确率高，可广泛应用于旋转机械智能故障诊断领域。
-
公开(公告)号：CN117808078A
公开(公告)日：2024-04-02
申请号：CN202311627106.X
申请日：2023-11-30
申请人： 华南理工大学
IPC分类号： G06N3/098 , G06N3/0985 , G06N3/047 , G06N3/045 , G06F18/213 , G06F18/241 , G06F18/2415
摘要： 本发明公开了一种面向长尾分布的生成式联邦学习故障诊断方法，包括：参与方与中心服务器交互获得模型参数与超参数，利用本地数据集计算模型计算分类器梯度与优化本地模型，并将模型参数与分类器梯度上传至中心服务器。服务器对分类器梯度与模型参数进行聚合，之后服务器迭代计算后得到更新平衡特征F和全局分类器的二元损失，并优化特征提取器聚合参数和全局分类器参数。参与方下载服务器迭代后的全局分类器与特征提取器参数并更新本地模型并作为下一次的迭代起点。中心服务器与参与方通讯次数达到预设迭代次数时，完成模型训练。本方法可以有效解决数据长尾分布问题，提高诊断模型性能。
-
公开(公告)号：CN115438714A
公开(公告)日：2022-12-06
申请号：CN202210916564.4
申请日：2022-08-01
申请人： 华南理工大学
摘要： 本发明公开了一种分簇式联邦学习驱动的机械故障诊断方法、装置及介质，其中方法包括：在中心服务器上构建故障诊断模型，将模型参数发送至客户端；客户端对故障诊断模型进行优化，将特征表示向量和模型参数发送至中心服务器；利用K‑means聚类算法对表示向量进行分簇，计算聚类轮廓系数；根据聚类轮廓系数，对客户端的模型参数采用对应的参数更新策略进行更新，并将更新后的模型参数发送给对应的客户端；中心服务器与客户端通讯次数达到预设迭代次数时，完成模型训练。本发明在满足维护客户端的机械设备数据隐私的同时，提高了旋转机械设备关键部件故障诊断的准确率，更有利地保证了安全生产。本发明可广泛应用于旋转机械设备故障诊断领域。
-
公开(公告)号：CN208718452U
公开(公告)日：2019-04-09
申请号：CN201821040726.8
申请日：2018-06-29
申请人： 华南理工大学
摘要： 本实用新型公开了一种倾斜式停车装置，包括底座、停车板、液压举升装置、横向出入库导轨、弹簧回弹式限位锁止挡板，所述停车板的一端与底座的一端铰接形成转动副，所述液压升举装置的一端与停车板的底部中心位置相铰接，另一端与底座相铰接，所述弹簧回弹式限位锁止挡板按车轮分布方式相应设置在所述停车板上表面，所述底座底部设置有沿所述横向出入库导轨移动的驱动轮，所述横向出入库导轨与地面固定且与车身横向移动方向相一致。本实用新型提供的停车装置可有效节省停车面积，结构简单，安全可靠，有效解决停车位少的问题。(ESM)同样的发明创造已同日申请发明专利
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.022 秒)
