-
公开(公告)号：CN119314598A
公开(公告)日：2025-01-14
申请号：CN202411361354.9
申请日：2024-09-27
Applicant: 华南理工大学
IPC: G16C60/00 , G01N29/11 , G01N29/44 , G06F18/213 , G06F18/22 , G06F18/15 , G06N3/0464 , G06N3/084 , G06N3/096
Abstract: 本发明公开了一种多结构数据特征迁移的超声导波损伤识别方法，包括收集单一结构超声导波散射信号作为源域数据集，收集多结构超声导波散射信号作为目标域数据集；使用卷积神经网络获取结构损伤的特征信息；采用最大均值差法构建不同结构导波信号差异的定量评价机制；特征匹配损失和源域训练的标签损失用于优化深度网络模型；针对源域和目标域信号构建多层散射特征映射关系；实现在多个隐藏层中散射特征适配；最后，结合多传感器损伤指数，利用结构图像和损伤定位验证了损伤特征的有效性。本发明利用多种结构的真实检测数据建模实现对不同结构损伤情况的迁移检测和评估，增强超声导波大数据检测模型的通用性和泛化能力。
-
公开(公告)号：CN116701906A
公开(公告)日：2023-09-05
申请号：CN202310559785.5
申请日：2023-05-17
Applicant: 华南理工大学
IPC: G06F18/213 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/048 , G06F18/23 , G06N3/08
Abstract: 本发明公开了一种可解释的复合故障智能诊断方法、装置及存储介质，属于机械装备故障诊断领域。该方法包括：采集原始振动信号数据，根据原始振动信号数据获取训练集；构建具有可解释性的特征提取器，并通过小波核卷积层从原始振动信号数据中学习具有可解释意义的特征；使用堆叠的胶囊层构建解耦分类器，以实现复合故障的解耦和单一故障的诊断；根据特征提取器和解耦分类器获得模型，采用非完备数据对模型进行训练；利用反向溯源方法，对模型的诊断决策过程进行可解释性分析，以提高模型诊断结果的可信度。本发明在非完备数据的条件下有效实现了单一故障的诊断和复合故障的解耦，具备可解释性，有利于在可解释性需求的工业实际场景中的应用与推广。
-
公开(公告)号：CN109655259B
公开(公告)日：2021-02-19
申请号：CN201811406372.9
申请日：2018-11-23
Applicant: 华南理工大学
IPC: G01M13/021 , G01M13/028 , G01M13/045
Abstract: 本发明公开了一种基于深度解耦卷积神经网络的复合故障诊断方法及装置其中方法包括步骤：步骤一：数据集的采集与标定，分别采集旋转机械单一及复合故障实验工况下的振动加速度信号得到若干样本分别组成训练集和测试集，并分别设定类别标签；步骤二：搭建一维深度卷积神经网络模型；步骤三：在keras框架下构建具有多标签输出特性的解耦分类器；步骤四：网络模型的训练，最终获得最优的深度解耦卷积神经网络模型；步骤五：复合故障的智能诊断与分类，输出得到复合故障的实时诊断结果。本发明在只使用单一故障信号来训练深度解耦网络模型的前提下提取复合故障信号中各单一故障特征，并通过解耦分类器实现复合故障的解耦与分类。
-
公开(公告)号：CN119226859A
公开(公告)日：2024-12-31
申请号：CN202411386362.9
申请日：2024-09-30
Applicant: 华南理工大学
IPC: G06F18/24 , G06F18/10 , G06F18/213 , G06F18/2131 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于孪生数据驱动的超声导波损伤识别方法，包括：实验室收集铝护套损伤检测孪生模型超声导波信号作为源域数据集一，通过超声导波信号模态提取构建源域数据集二，通过真实检测信号构建目标域数据集；建立的数据集采用连续小波变换对源域数据集和目标域数据集进行预处理；源域数据集和目标域数据集通过ResNet50网络实现公共特征提取；构建了特定域特征提取器，采用域内对齐和域间对齐两种策略来对齐不同分布的数据以获得域不变特征并消除偏移；最后，设计特定域分类器获得类别可分特征，并消除不同分类器之间的差异，并在电缆护套的损伤检测中进行验证。本发明增强损伤检测模型的可解释性、通用性和泛化能力。
-
公开(公告)号：CN109655259A
公开(公告)日：2019-04-19
申请号：CN201811406372.9
申请日：2018-11-23
Applicant: 华南理工大学
IPC: G01M13/021 , G01M13/028 , G01M13/045
Abstract: 本发明公开了一种基于深度解耦卷积神经网络的复合故障诊断方法及装置其中方法包括步骤：步骤一：数据集的采集与标定，分别采集旋转机械单一及复合故障实验工况下的振动加速度信号得到若干样本分别组成训练集和测试集，并分别设定类别标签；步骤二：搭建一维深度卷积神经网络模型；步骤三：在keras框架下构建具有多标签输出特性的解耦分类器；步骤四：网络模型的训练，最终获得最优的深度解耦卷积神经网络模型；步骤五：复合故障的智能诊断与分类，输出得到复合故障的实时诊断结果。本发明在只使用单一故障信号来训练深度解耦网络模型的前提下提取复合故障信号中各单一故障特征，并通过解耦分类器实现复合故障的解耦与分类。
-
Patent Agency Ranking
公开(公告)号：CN108805065A
公开(公告)日：2018-11-13
申请号：CN201810550201.7
申请日：2018-05-31
Applicant: 华南理工大学
CPC classification number: G06K9/00798 , G06K9/54
Abstract: 本发明公开了一种基于几何特征改进的车道线检测方法，包括以下步骤：(1)利用车载摄像机获取当前道路场景中的图像；(2)对获取的图像进行预处理，提高图像识别的正确率；(3)利用边界跟踪方法提取二值图像中的车道线轮廓；(4)利用车道段的几何特征，对提取出的轮廓进行筛选，提取有效车道段；(5)对有效车道段进行直线拟合，划定车辆的可行驶区域。本发明利用车道段的几何特征和属性识别出车道线并划定出车辆的可行驶区域，降低车道线误检概率，同时不降低实时性，达到同时兼顾准确性和实时性的目的。高级辅助驾驶系统或者未来的智能驾驶系统可通过此方法进行车辆偏离预警、车辆行驶方向判断以及驾驶车道内道路障碍物的识别。
-
公开(公告)号：CN118245798A
公开(公告)日：2024-06-25
申请号：CN202410301194.2
申请日：2024-03-15
Applicant: 华南理工大学
IPC: G06F18/214 , G06F18/21 , G06F18/213 , G06F18/22 , G06F18/2431 , G06N3/0455 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了基于改进孪生胶囊网络的小样本跨工况故障诊断方法及系统，包括以下步骤：采集旋转机械在不同工况下的振动加速度信号并设置类别标签构建数据集；构建源域训练样本对数据集和目标域支持样本集、测试样本集；构建特征提取器，用于对原始故障振动信号进行特征提取，包括并联的两个分支特征提取器；构建度量学习器；基于特征提取器和度量学习器构建孪生多尺度注意力小波胶囊网络小样本跨工况故障诊断模型，训练该模型用于故障诊断。本发明方法可以有效提高深度学习模型在旋转机械小样本故障诊断与跨工况故障诊断中的诊断精度，有效改进小样本变工况场景下的智能故障诊断任务。
-
公开(公告)号：CN117171666A
公开(公告)日：2023-12-05
申请号：CN202310964501.0
申请日：2023-08-01
Applicant: 华南理工大学
IPC: G06F18/2415 , G06F18/10 , G06F18/214 , G06F18/213 , G06N3/08 , G06N3/084 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/09 , G06N3/0895
Abstract: 本发明公开了一种新故障和复合故障协同诊断方法、装置和存储介质，属于机械制造技术领域。其中方法包括：构建训练和测试数据集，利用安装在机械装备上的加速度传感器采集机械装备不同工况下的振动信号数据；构建包含特征提取器、域判别器、新故障检测器和复合故障分类器的训练模型；优化模型参数，基于协同训练策略，融合对抗域自适应、开放域自适应、伪标签学习技术，构建多任务学习框架，使故障诊断模型获得最优网络参数；已知故障、新故障和复合故障的协同诊断，使用训练完备的特征提取器和复合故障分类器构建测试模型，同时实现已知故障诊断、新故障检测和复合故障解耦任务。本发明能够同时实现已知故障诊断、新故障检测和复合故障解耦。
-
公开(公告)号：CN109635677B
公开(公告)日：2022-12-16
申请号：CN201811406982.9
申请日：2018-11-23
Applicant: 华南理工大学
Abstract: 本发明公开了一种基于多标签分类卷积神经网络的复合故障诊断方法及装置，所述方法包括步骤：步骤1：采集并提取单一故障和复合故障工况下的振动加速度信号样本；步骤2：对于每个样本按类型给定标签后划分为训练集和测试集；步骤3：搭建深层一维卷积神经网络，设置Sigmoid激活函数和边界损失函数Margin Loss；步骤4：直接将训练集振动数据输入搭建的深层一维卷积神经网络中进行训练；步骤5：通过Grid Search选取最优模型，并将其应用于测试集上，得到故障状态分类结果。本发明使分类器自适应地为复合故障输出多个标签，不但故障诊断精度高，且能克服传统分类器只能输出一个标签的局限性，实现对复合故障的诊断。
-
公开(公告)号：CN110361176A
公开(公告)日：2019-10-22
申请号：CN201910486472.5
申请日：2019-06-05
Applicant: 华南理工大学
IPC: G01M13/00 , G01M13/04 , G01M13/045 , G06N3/04
Abstract: 本发明公开了一种基于多任务特征共享神经网络的智能故障诊断方法，包括步骤：（1）分别采集旋转机械在不同实验工况下的原始振动加速度信号，通过截取一定长度的信号数据来构成样本，并进行标注；（2）构建多任务特征共享神经网络，包括：输入层、特征提取器、分类模型和预测模型；（3）采用多任务联合训练，同时训练分类和预测模型；（4）将实际工业环境中采集的振动加速度信号输入已训练好的模型，得到多任务诊断结果。本发明能同时实现对故障类型的分类以及故障程度的预测，具有较高的实际应用价值。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.021 seconds)
