-
公开(公告)号：CN119312228A
公开(公告)日：2025-01-14
申请号：CN202411382420.0
申请日：2024-09-30
Applicant: 哈尔滨理工大学
IPC: G06F18/2431 , G06F18/2415 , G06F18/214 , G06N3/098 , G06N3/0464
Abstract: 本发明公开了一种个性化联邦跳跃聚合策略的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，以解决数据孤岛下不同谐波减速器用户间数据分布差异导致故障诊断精度低的问题。本发明的技术要点包括：提出基于二次聚合的模型构建方法用于部署个性化本地模型，以用户为中心，通过二次聚合为每个用户部署适用于本地数据集的个性化初始化模型，同时利用L2正则化避免过拟合，解决全局模型准确率下降问题；提出基于循环权重的联邦聚合策略，以加快全局模型收敛；在全局模型参数下发阶段，提出模型参数跳跃聚合策略，在不增加额外计算开销的情况下克服FedAvg算法收敛缓慢的缺点。本发明适用于保证数据隐私的多用户谐波减速器协同故障诊断。
-
公开(公告)号：CN113723491B
公开(公告)日：2024-12-06
申请号：CN202110976619.6
申请日：2021-08-24
Applicant: 哈尔滨理工大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/084 , G06N3/096 , G06N3/0895
Abstract: 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法，涉及机械部件故障诊断技术领域，用以解决现有故障诊断模型由于没有考虑不同部件振动信号之间的差别或实际训练样本中含标签样本极少而导致旋转机械部件故障诊断率不佳的问题。本发明基于VGG‑16深度卷积网络训练故障诊断模型，首先提出引用SAdam梯度下降算法来优化源域的VGG‑16深度卷积网络以形成预训练模型，防止负迁移；然后将自监督与深度迁移学习结合，提出一种利用改进的SimCLR对比学习框架提升迁移后神经网络模型识别能力的方法，并更改SimCLR对比学习框架中投影头激活函数为Swish函数；进一步结合少量带标签训练样本进行微调共同训练获得故障诊断模型。本发明可应用于机械部件故障状态分类判断之中。
-
公开(公告)号：CN117312984A
公开(公告)日：2023-12-29
申请号：CN202311268690.4
申请日：2023-09-28
Applicant: 哈尔滨理工大学
IPC: G06F18/2415 , G06F18/214 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种域间数据标签关系未知的滚动轴承跨域故障诊断方法及系统，涉及滚动轴承故障诊断技术领域，用以解决现有迁移学习中由于源域和目标域数据标签关系未知而导致故障诊断准确率低的问题。本发明的技术要点包括：构建对比通用域适应模型：引入BYOL网络挖掘目标域数据特有结构，并提出利用熵分离策略拒绝未知类样本；同时，设计一种源类加权机制来改进迁移语义增强方法，赋予源类别不同的类级权重，使两域的特征分布在共享标签空间中更好地对齐，进一步构建故障诊断模型；并通过训练好的故障诊断模型进行故障诊断。本发明在不同工况下均具有优越的故障诊断准确率。
-
公开(公告)号：CN115560983A
公开(公告)日：2023-01-03
申请号：CN202211214916.8
申请日：2022-09-30
Applicant: 哈尔滨理工大学
IPC: G01M13/04 , G01M13/045 , G06N3/04 , G06N20/00
Abstract: 本发明提出一种基于联邦特征迁移学习的不同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。本发明的技术要点包括：对滚动轴承时域振动数据做小波变换得到时频谱图，将先验的有标签公共数据作为源域，多用户无标签孤岛隐私数据作为目标域；引入多表示特征提取结构对原始残差网络进行改进，提取源域和目标域的多表示特征，分别构建多用户本地模型；使用深度神经网络的模型压缩思想改进联邦迁移学习框架中的参数传递策略，增强联邦框架的安全性并降低通信开销；在服务器端构建可用于不同工况下滚动轴承故障诊断的联邦全局模型。本发明无需多用户共享数据即可整合孤岛数据知识，具有较高的准确率和较强的泛化性。
-
公开(公告)号：CN112924177B
公开(公告)日：2022-07-19
申请号：CN202110360639.0
申请日：2021-04-02
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06V10/44 , G06V10/762 , G06V10/77 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种改进深度Q网络的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域，用以解决现有技术中在应用深度强化学习对滚动轴承故障进行诊断时，由于数据分布不平衡或变负载导致的诊断准确率过低的问题。本发明的技术要点包括：把k‑means算法中样本到中心点的距离作为回报值的偏置，以不平衡比为基准，为训练集构建具有个性化的回报函数，同时通过改进的残差网络(Resnet‑18)实现特征的深层提取；智能体将新的回报函数和时频图作为输入，在每个时间步长执行诊断动作，判断并返回回报值；最终智能体学会不平衡数据下的故障诊断策略。本发明方法在滚动轴承数据不平衡和变负载下故障诊断结果表现优异，可用于对滚动轴承不同故障诊断的实际操作中。
-
Patent Agency Ranking
公开(公告)号：CN111721536B
公开(公告)日：2022-05-27
申请号：CN202010636625.2
申请日：2020-07-20
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种改进模型迁移策略的滚动轴承故障诊断方法，属于滚动轴承故障诊断技术领域。针对源域与目标域中相同状态数据分布差异大的问题而提出。利用小波变换获取不同型号轴承振动信号的时频谱并构建图像数据集；选择某种型号的数据作为源域，其他型号数据作为目标域；使用源域数据训练ResNet‑34深度卷积网络，得到源域数据分类模型；利用隐式渐变元学习自适应决定迁移知识层级及知识内容实现模型迁移策略的改进，避免异构体系结构中梯度不易收敛现象；将迁移的知识引入目标域ResNet‑152卷积神经网络数据训练的过程中通过参数传递实现模型迁移；在训练源域与目标域网络时采用随机梯度下降算法优化网络参数，建立不同型号滚动轴承的故障诊断模型。
-
公开(公告)号：CN113723491A
公开(公告)日：2021-11-30
申请号：CN202110976619.6
申请日：2021-08-24
Applicant: 哈尔滨理工大学
Abstract: 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法，涉及机械部件故障诊断技术领域，用以解决现有故障诊断模型由于没有考虑不同部件振动信号之间的差别或实际训练样本中含标签样本极少而导致旋转机械部件故障诊断率不佳的问题。本发明基于VGG‑16深度卷积网络训练故障诊断模型，首先提出引用SAdam梯度下降算法来优化源域的VGG‑16深度卷积网络以形成预训练模型，防止负迁移；然后将自监督与深度迁移学习结合，提出一种利用改进的SimCLR对比学习框架提升迁移后神经网络模型识别能力的方法，并更改SimCLR对比学习框架中投影头激活函数为Swish函数；进一步结合少量带标签训练样本进行微调共同训练获得故障诊断模型。本发明可应用于机械部件故障状态分类判断之中。
-
公开(公告)号：CN113723489A
公开(公告)日：2021-11-30
申请号：CN202110975013.0
申请日：2021-08-24
Applicant: 哈尔滨理工大学
IPC: G06K9/62 , G06N3/04 , G06N3/08 , G01M13/045
Abstract: 一种改进关系网络的滚动轴承故障识别方法，涉及轴承故障识别技术领域，用以解决在少量标记样本情况下，现有滚动轴承故障识别模型对于故障识别效果不佳的问题。本发明的技术要点包括：根据元学习训练策略划分数据集，并将残差收缩模块和SELU激活函数引入关系网络的嵌入模块中，残差收缩模块利用注意力机制自动确定阈值，将信号中的冗余信息剔除；利用嵌入模块提取样本特征，并将支持集样本特征和查询集特征进行拼接，输入到关系模块中；最后根据关系分数对查询集样本进行分类，实现滚动轴承故障识别。本发明仅使用少量标记样本就可以训练出故障识别模型，解决了在某种型号轴承数据上训练的模型泛化能力差，不能有效用于其他型号轴承故障识别的问题。
-
公开(公告)号：CN112924177A
公开(公告)日：2021-06-08
申请号：CN202110360639.0
申请日：2021-04-02
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06K9/46 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种改进深度Q网络的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域，用以解决现有技术中在应用深度强化学习对滚动轴承故障进行诊断时，由于数据分布不平衡或变负载导致的诊断准确率过低的问题。本发明的技术要点包括：把k‑means算法中样本到中心点的距离作为回报值的偏置，以不平衡比为基准，为训练集构建具有个性化的回报函数，同时通过改进的残差网络(Resnet‑18)实现特征的深层提取；智能体将新的回报函数和时频图作为输入，在每个时间步长执行诊断动作，判断并返回回报值；最终智能体学会不平衡数据下的故障诊断策略。本发明方法在滚动轴承数据不平衡和变负载下故障诊断结果表现优异，可用于对滚动轴承不同故障诊断的实际操作中。
-
公开(公告)号：CN111680446A
公开(公告)日：2020-09-18
申请号：CN202010032285.2
申请日：2020-01-11
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06K9/62 , G06K9/46 , G06K9/00 , G01M13/045
Abstract: 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法，属于滚动轴承剩余寿命预测领域，解决现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题。首先对由快速傅里叶变换得到的滚动轴承频域信号进行迭代计算，得到迭代特征。将多粒度级联森林中的多粒度扫描结构替换为卷积神经网络，利用卷积神经网络提取迭代特征的深层特征，并构建性能退化特征集。然后对可实现GPU并行加速的单一CatBoost模型进行集成，引入决定系数R2构建CasCatBoost结构以提高模型的表征能力，选取模型最后一个级联层的平均寿命百分比p表示输出。最后运用一次函数对p进行拟合，预测出轴承的剩余寿命。本方法具有较高的运算效率和预测精度。
-
-
-
-
-
-
-
-
-
Search Results
137
records
(took 0.027 seconds)
