-
公开(公告)号：CN112214406B
公开(公告)日：2021-06-15
申请号：CN202011079349.0
申请日：2020-10-10
Applicant: 广东石油化工学院
Abstract: 本发明属于软件缺陷预测技术领域，公开了一种基于选择性伪标记子空间学习的跨项目缺陷预测方法，计算映射矩阵；计算基于最近邻预测伪标记置信度；计算基于结构预测伪标记置信度；选择置信度高的伪标记对目标数据进行标记，判断是否全部目标数据进行标记，若未标记完全返回计算映射矩阵。本发明与现有常见模型相比得到更好的实验结果本发明方法在公共子空间中对大量未标记的目标实例和源项目中的标记实例一起使用选择性伪标记。本发明方法可以挖掘出目标项目映射后的结构信息，提高伪标记的准确性。本发明实验在AEEEM数据集上进行，与现有的常见模型相比，实验结果验证了本方法的有效性。
-
公开(公告)号：CN116304820B
公开(公告)日：2023-12-01
申请号：CN202310251823.0
申请日：2023-03-14
Applicant: 广东石油化工学院 , 武汉长飞智慧网络技术有限公司
IPC: G06F18/24 , G06F18/213 , G01M13/045 , G06N3/0464 , G06N3/088 , G06N3/094 , G06N3/096 , G06F18/214
Abstract: 本发明属于深度学习中的振动数据识别技术领域，公开了一种基于多源域迁移学习的轴承故障类型预测方法及系统，利用故障分类模型和故障分类综合模型输出N个源域样本和综合源域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与N个源域的域不变特征；利用故障分类综合模型输出目标域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与目标域的域不变特征，通过故障分类综合模型输出目标域样本的预测标签。本发明通过迭代可以直接(56)对比文件Huang Mu-sheng.et al“.ClassificationFusion for Bearing Fault Diagnosis withMulti-source Domain Shift”《.Sciencepublishing group》.2022,全文.
-
公开(公告)号：CN112284721A
公开(公告)日：2021-01-29
申请号：CN202011109294.3
申请日：2020-10-16
Applicant: 广东石油化工学院
IPC: G01M13/021 , G01M13/028 , G06F30/17 , G06F30/27
Abstract: 本发明属于设备故障检测技术领域，公开了一种大机组摩擦与转子不平衡双重故障分析方法及系统，用双探头提取两组齿轮故障振动信号，分别对两组齿轮故障振动信号进行无量纲特征提取并且与波形特征进行拼接，对两组数据特征进行拼接，用梯度增强树方法进行训练，预测未知标签信号是否存在故障，并确定故障类型。本发明能够解决在齿轮故障预测过程中特征提取困难的问题，提取出来的特征充分且全面，能够良好的齿轮故障预测问题，并且能够有效的减小噪声对结果的影响。
-
公开(公告)号：CN112214406A
公开(公告)日：2021-01-12
申请号：CN202011079349.0
申请日：2020-10-10
Applicant: 广东石油化工学院
Abstract: 本发明属于软件缺陷预测技术领域，公开了一种基于选择性伪标记子空间学习的跨项目缺陷预测方法，计算映射矩阵；计算基于最近邻预测伪标记置信度；计算基于结构预测伪标记置信度；选择置信度高的伪标记对目标数据进行标记，判断是否全部目标数据进行标记，若未标记完全返回计算映射矩阵。本发明与现有常见模型相比得到更好的实验结果本发明方法在公共子空间中对大量未标记的目标实例和源项目中的标记实例一起使用选择性伪标记。本发明方法可以挖掘出目标项目映射后的结构信息，提高伪标记的准确性。本发明实验在AEEEM数据集上进行，与现有的常见模型相比，实验结果验证了本方法的有效性。
-
公开(公告)号：CN118094367B
公开(公告)日：2024-08-13
申请号：CN202410504708.4
申请日：2024-04-25
Applicant: 广东石油化工学院
IPC: G06F18/2413 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/088 , G06N3/09 , G01M13/045
Abstract: 本发明属于振动数据识别技术领域，公开了一种基于数据增强、标签平滑与特征优化的无源领域自适应轴承故障分类方法及系统，包括：利用振动信号数据集，将源域的样本以及样本标签通过数据增强模块进行数据增强；源域与新增源域样本输入卷积神经网络进行监督训练，获得基于源域的轴承故障类型分类预训练模型；将目标域样本通过故障分类模型与伪标签生成模块获得伪标签；之后利用伪标签将目标域样本通过数据增强模块进行数据增强；目标域与新增目标域样本输入卷积神经网络，使用进行无监督训练，并最后输出预测标签。
-
Patent Agency Ranking
公开(公告)号：CN116304820A
公开(公告)日：2023-06-23
申请号：CN202310251823.0
申请日：2023-03-14
Applicant: 广东石油化工学院 , 武汉长飞智慧网络技术有限公司
IPC: G06F18/24 , G06F18/213 , G01M13/045 , G06N3/0464 , G06N3/088 , G06N3/094 , G06N3/096 , G06F18/214
Abstract: 本发明属于深度学习中的振动数据识别技术领域，公开了一种基于多源域迁移学习的轴承故障类型预测方法及系统，利用故障分类模型和故障分类综合模型输出N个源域样本和综合源域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与N个源域的域不变特征；利用故障分类综合模型输出目标域样本的预测标签；对抗学习网络通过对抗训练使得故障分类综合模型学习到综合源域与目标域的域不变特征，通过故障分类综合模型输出目标域样本的预测标签。本发明通过迭代可以直接得到目标域振动信号样本的标签，有效的缓解了多源域中不同源域之间存在的领域差异造成域迁移问题的影响。
-
公开(公告)号：CN112270227A
公开(公告)日：2021-01-26
申请号：CN202011109301.X
申请日：2020-10-16
Applicant: 广东石油化工学院
IPC: G06K9/00
Abstract: 本发明属于油膜涡动与摩擦并发故障诊断技术领域，公开了一种油膜涡动与摩擦并发故障分析方法及分析系统，利用双探头提取机器故障振动信号；将采集到的数据进行预处理，对机器故障振动信号进行九种无量纲特征提取；利用提取出的特征向量使用逻辑回归分类进行训练；对未知标签震动信号进行预测，得到该信号是否存在故障及故障的类型。本发明能够解在齿轮故障预测过程中特征提取困难的问题，提取出来的特征充分且全面，能够良好的齿轮故障预测问题，并且能够有效的减小噪声对结果的影响。本发明能够发现诊断油膜涡动故障与摩擦故障。
-
公开(公告)号：CN116242609B
公开(公告)日：2024-05-14
申请号：CN202211475471.9
申请日：2022-11-23
IPC: G01M13/045 , G06F18/2131 , G06F18/23213 , G06F18/241 , G06F18/214 , G06V10/764 , G06V10/82 , G06N3/0895 , G06N3/096
Abstract: 本发明属于轴承故障诊断技术领域，公开了一种变工况轴承故障诊断方法、系统、介质、设备及终端，给定源域和目标域振动信号并进行数据预处理，得到源域样本、目标域样本和数据增强样本；利用特征提取器分别进行源域样本、目标域样本和数据增强样本特征提取；对源域和目标域依次进行初始跨域聚类对齐；利用源域样本、目标域样本和数据增强样本特征进行故障诊断模型训练；最后利用训练得到故障诊断模型对目标工况的振动信号进行故障类型预测。本发明提供的基于振动信号聚类对齐的变工况轴承故障诊断方法，利用跨域聚类对齐识别已知故障类型并区分未知故障类型，有效提升了跨工况环境下轴承故障诊断的准确性和鲁棒性，克服现有技术中存在的缺陷。
-
公开(公告)号：CN116242609A
公开(公告)日：2023-06-09
申请号：CN202211475471.9
申请日：2022-11-23
Applicant: 广东石油化工学院
IPC: G01M13/045 , G06F18/2131 , G06F18/23213 , G06F18/241 , G06F18/214 , G06V10/764 , G06V10/82 , G06N3/0895 , G06N3/096
Abstract: 本发明属于轴承故障诊断技术领域，公开了一种变工况轴承故障诊断方法、系统、介质、设备及终端，给定源域和目标域振动信号并进行数据预处理，得到源域样本、目标域样本和数据增强样本；利用特征提取器分别进行源域样本、目标域样本和数据增强样本特征提取；对源域和目标域依次进行初始跨域聚类对齐；利用源域样本、目标域样本和数据增强样本特征进行故障诊断模型训练；最后利用训练得到故障诊断模型对目标工况的振动信号进行故障类型预测。本发明提供的基于振动信号聚类对齐的变工况轴承故障诊断方法，利用跨域聚类对齐识别已知故障类型并区分未知故障类型，有效提升了跨工况环境下轴承故障诊断的准确性和鲁棒性，克服现有技术中存在的缺陷。
-
公开(公告)号：CN118094367A
公开(公告)日：2024-05-28
申请号：CN202410504708.4
申请日：2024-04-25
Applicant: 广东石油化工学院
IPC: G06F18/2413 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/088 , G06N3/09 , G01M13/045
Abstract: 本发明属于振动数据识别技术领域，公开了一种基于数据增强、标签平滑与特征优化的无源领域自适应轴承故障分类方法及系统，包括：利用振动信号数据集，将源域的样本以及样本标签通过数据增强模块进行数据增强；源域与新增源域样本输入卷积神经网络进行监督训练，获得基于源域的轴承故障类型分类预训练模型；将目标域样本通过故障分类模型与伪标签生成模块获得伪标签；之后利用伪标签将目标域样本通过数据增强模块进行数据增强；目标域与新增目标域样本输入卷积神经网络，使用进行无监督训练，并最后输出预测标签。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
