-
公开(公告)号：CN120011785A
公开(公告)日：2025-05-16
申请号：CN202510114168.3
申请日：2025-01-24
Applicant: 哈尔滨理工大学
IPC: G06F18/213 , G06N3/0442 , G06N3/098 , G01M13/04
Abstract: 发明一种基于参数解耦个性化联邦的不同工况下滚动轴承寿命预测方法及系统，涉及轴承寿命预测技术领域，为解决现有方法针对来自不同工况下滚动轴承振动数据往往呈现非独立同分布的特点，可能导致参数更新方向彼此分离、全局模型收敛缓慢甚至偏离最优参数的问题。本发明采用多级退化标签表示方法对训练集轴承寿命数据的不同阶段进行标记；网络模型包括SEResNet块和ConvLSTM块，SEResNet块用于进行特征提取，并通过连接最大池化层保留重要特征，ConvLSTM块用于对特征进行进一步处理；中央服务端将网络模型解耦，将SEResNet网络作为共享表示层，将ConvLSTM和全连接层作为个性化层，通过联邦学习的方式对共享表示层进行训练，将各个共享表示层参数进行聚合，最终得到滚动轴承寿命预测模型。
-
公开(公告)号：CN119995819A
公开(公告)日：2025-05-13
申请号：CN202411646576.5
申请日：2024-11-18
Applicant: 哈尔滨理工大学
Abstract: 一种混沌加密与双服务器赋能的鲁棒联邦学习方法及系统，属于数据安全技术领域。本发明是针对现有的联邦学习隐私保护方法普遍计算开销大，及现有使用混沌加密保护联邦学习隐私的方法不支持边缘节点使用互异的初始值加密的问题而提来的。技术要点：本发明允许边缘节点使用不同的初始值对本地模型参数加密，且密文之间存在相互抵消的特性，聚合后可得到明文形式的结果；其次，构建双服务器检测模式，对本地模型进行分层检测；最后提出一种信誉分机制，根据检测结果对边缘节点进行信誉评估，过滤拜占庭边缘节点，聚合诚实边缘节点的本地模型参数。安全性分析表明所提方法可有效防止边缘节点的隐私泄露；实验结果表明拜占庭攻击下，所提方法的测试准确率比基线方案平均高18.33％，与CKKS、BFV等同态加密方法相比，时间开销至少降低69.8％，可高效地兼顾隐私保护与拜占庭鲁棒性。本发明适用于滚动轴承的故障诊断。
-
公开(公告)号：CN119619745A
公开(公告)日：2025-03-14
申请号：CN202411678466.7
申请日：2024-11-20
Applicant: 哈尔滨理工大学
IPC: G01R31/12 , G01D5/353 , G06N3/0495
Abstract: 本发明适用于光纤传感技术及电力设备检测领域，提供了一种RC算法辅助的光纤局放检测系统及高速信号询问方法，所述系统包括锁模激光器、色散补偿光纤、掺铒光纤放大器、光纤耦合器一号、单模光纤、可调光纤延时线、光纤耦合器二号、传感单元、光电探测器、示波器、PC终端，所述传感单元为微纳光纤耦合器，包括输入端、输出端、ZnO复合石墨烯涂层区，所述PC终端通过RC算法询问信号，RC算法由输入层、存储层、输出层组成，所述传感方法为把超短光脉冲的波长映射到时间上，非平衡色散MZI结构对展宽的光脉冲进行啁啾频率编码，所述RC算法对数据处理方法进行了优化，进一步将询问速度提高了5倍。此外，波长到时间的映射、啁啾频率编码和RC算法的结合，实现高传感系统稳定性和高解调速度。
-
公开(公告)号：CN114861349B
公开(公告)日：2024-08-27
申请号：CN202210429223.4
申请日：2022-04-22
Applicant: 哈尔滨理工大学
IPC: G06F30/17 , G06F30/27 , G06N3/0499 , G06N3/088 , G06F111/04 , G06F111/08
Abstract: 一种基于模型迁移和维纳过程的滚动轴承RUL预测方法，涉及滚动轴承使用寿命预测技术领域，用以解决使用寿命百分比作为标签难以准确描述滚动轴承退化过程以及不同工况情况下轴承寿命预测准确率不高的问题。本发明的技术要点包括：提取某工况下全寿命滚动轴承的各振动统计特征，利用单层NCAE网络与SOM网络构建健康指标模型，使用健康指标对滚动轴承频域幅值序列进行标记；使用源域数据训练结合深度NCAE网络与前馈神经网络FNN的组合网络得到预训练模型；利用目标域数据微调，得到滚动轴承性能退化模型，利用性能退化指标量化值的增量建立维纳过程模型，实现不同工况下滚动轴承的RUL预测。本发明适用于对滚动轴承剩余使用寿命的预测技术中。
-
公开(公告)号：CN118094289A
公开(公告)日：2024-05-28
申请号：CN202410200962.5
申请日：2024-02-23
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G01M13/028 , G06F18/10 , G06F18/25 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种基于信息融合的不同工况下谐波减速器故障诊断方法及系统，涉及减速器故障诊断技术领域。本发明的技术要点包括：采集不同状态的谐波减速器在不同位置的加速度信号；利用多个加速度信号构建样本集；对加速度信号进行预处理；将预处理后的二维时频图像进行小波分解，得到其高频分量与低频分量，以预设的融合规则进行图像融合；将训练样本对应的融合图像输入基于迁移学习的谐波减速器故障诊断模型中进行训练；将目标域测试样本对应的融合图像本输入训练好的谐波减速器故障诊断模型，获取诊断结果。本发明能够有效实现无监督场景中不同工况下谐波减速器的故障诊断。
-
Patent Agency Ranking
公开(公告)号：CN116559110A
公开(公告)日：2023-08-08
申请号：CN202310236906.2
申请日：2023-03-13
Applicant: 哈尔滨理工大学
IPC: G01N21/359 , G01N21/3577 , G01N21/3554 , G06F17/10 , G06F17/12 , G06F17/18
Abstract: 一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法，涉及近红外光谱变换技术领域。本发明是针对近红外光谱的谱峰重叠使待测物质的定量分析产生较大误差而提出的。该方法用待测物近红外光谱的离散点数确定参与高斯曲线拟合的高斯函数数量，用离散点的波长位置确定高斯函数中心位置；利用相关性分析，确定有利于提取重叠信息的最佳高斯函数带宽。基于此，构造曲线拟合的方程组，通过求解方程组确定高斯函数高度，并对高斯函数进行面积积分，得到待测物光谱的变换结果，进而构建待测物的含量预测模型。所提方法分别应用于污水COD含量和玉米水分含量的预测，其预测均方误差相比于变换前减少了至少25％，说明参与曲线拟合的高斯函数无需与真实谱峰信息对应，也可实现原始光谱中重叠信息的有效分解与重组，从而减小定量分析误差。
-
公开(公告)号：CN115481665A
公开(公告)日：2022-12-16
申请号：CN202211210685.3
申请日：2022-09-30
Applicant: 哈尔滨理工大学
Abstract: 本发明提出一种用于不同规格滚动轴承故障诊断的联邦模型迁移学习方法及系统，涉及滚动轴承故障诊断技术领域，用以解决现有联邦学习方法对于不同规格的滚动轴承的故障诊断效果不佳的问题。本发明方法的技术要点包括：对多个用户振动数据做短时傅里叶变换，构建时频图数据集；各用户训练本地模型并将模型参数上传至服务器，同时引入差值更新和参数稀疏化算法改进联邦学习中本地模型参数传递策略；服务器采用联邦平均算法聚合模型参数并更新本地模型，迭代后建立用于迁移学习的共享模型；提出逐层解冻策略保留共享模型部分参数并发送给每个用户，利用本地数据微调共享模型，获得适用于每个用户的个性化模型。本发明具有较高准确率和良好的泛化性能。
-
公开(公告)号：CN112101221B
公开(公告)日：2022-06-21
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：CN114429150A
公开(公告)日：2022-05-03
申请号：CN202111521473.2
申请日：2021-12-30
Applicant: 哈尔滨理工大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G01M13/045
Abstract: 一种基于改进深度子域适应网络的变工况下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，用以解决现有故障诊断模型对于不同工况分布差异大的振动数据的故障诊断准确率不高的问题。本发明的技术要点包括：对源域和目标域振动数据做短时傅里叶变换得到时频谱图；引入通道注意力机制和首层宽卷积核机制对残差网络进行改进，提取时频谱图中的深层特征；利用局部最大均值差异对源域特征和目标域特征进行子域适应处理，减小源域和目标域各个子域之间的分布差异，实现复杂工况下滚动轴承的故障诊断。本发明可以实现变工况及工况泛化情况下的滚动轴承故障诊断，具有较高的准确率。本发明可广泛应用于滚动轴承故障诊断之中。
-
公开(公告)号：CN113988126A
公开(公告)日：2022-01-28
申请号：CN202111245670.6
申请日：2021-10-26
Applicant: 哈尔滨理工大学
Abstract: 一种基于少标签数据特征迁移的滚动轴承故障诊断方法，用以解决现有滚动轴承故障诊断模型的训练数据中由于源域数据和目标域数据分布差异大且源域数据缺少大量带标记数据而导致模型分类准确率不高的问题。本发明的技术要点包括：引入原型对比学习进行域适应，建立基于原型域适应的故障诊断模型；提出将Res2Net结构中增加CBAM注意力机制模块，并进一步更换特征提取网络的激活函数，提高深度网络对滚动轴承数据特征提取能力，最终实现少标记数据变负载情况下滚动轴承不同状态的诊断。本发明方法在滚动轴承变负载条件下具备较好的分类性能，可以很好地解决所采集的振动数据正常状态与故障状态的数据分布不平衡问题且具有良好的泛化性能。
-
-
-
-
-
-
-
-
-
Search Results
154
records
(took 0.029 seconds)
