-
公开(公告)号：CN117972417A
公开(公告)日：2024-05-03
申请号：CN202311818658.9
申请日：2023-12-26
Applicant: 浙江大学
IPC: G06F18/214 , G06F18/2113 , G06F18/213 , G06F18/241 , G06N3/045 , G06N3/0475 , G06N3/082
Abstract: 本发明公开了一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法。针对机电产品零部件故障诊断模型故障样本稀缺导致的模型易过拟合且泛化性能差问题，构建特征激励型故障样本生成式对抗网络实现故障样本扩增，在生成器中利用跳层特征激励模块融入经特征敏感度和冗余度评价准则筛选后的先验特征，并利用跳层特征激励模块融合跨层特征图，充分提取不同层级深层特征，更好地指导故障样本的生成。基于对比学习的特征预提取器与判别器级联，将具有更明显类别边界属性的预学习特征输入判别器，提升训练速度。使用生成器生成的故障样本扩充训练集，提升模型的分类精度和泛化性能，实现稀缺故障数据条件下对机电产品零部件稳健、精准的故障诊断。
-
公开(公告)号：CN118585785A
公开(公告)日：2024-09-03
申请号：CN202410481948.7
申请日：2024-04-22
Applicant: 浙江大学
IPC: G06F18/213 , G06F18/241 , G06F18/10 , G06N3/045 , G06N3/0464 , G06N3/048 , G01H17/00 , G01M13/045 , G06F123/02
Abstract: 本发明公开了一种基于并行残差收缩网络的复杂装备关键零件故障诊断方法。本发明首先通过传感器获取带有噪声的复杂装备零件运行过程振动信号；接着构建并行残差收缩网络；然后对原始振动信号进行数据预处理，从而建立训练集和验证集，训练并行残差收缩网络，获得复杂装备关键零件故障诊断模型；采集零件的振动信号并进行数据预处理后输入到训练好的诊断模型中，从而判断零件的故障类型。本发明将小波阈值降噪方法与深度学习方法结合，提出的并行残差收缩网络降低了噪声对特征学习的影响，提高了在噪声环境下复杂装备关键零件故障诊断的准确率。
-
公开(公告)号：CN118568460A
公开(公告)日：2024-08-30
申请号：CN202410481947.2
申请日：2024-04-22
Applicant: 浙江大学
IPC: G06F18/213 , G01H17/00 , G01M13/045 , G06F18/241 , G06F18/10 , G06N3/045 , G06N3/0464 , G06N3/048 , G06F123/02
Abstract: 本发明公开了一种基于非负铰链收缩网络的复杂装备关键零件故障诊断方法。本发明首先通过传感器获取带有噪声的复杂装备零件运行过程振动信号；接着对振动信号进行数据预处理后，得到训练集和验证集的样本，由这些样本和对应的故障类型组成训练集和验证集；然后构建非负铰链收缩网络，并通过训练集和验证集对其进行训练，获得复杂装备关键零件故障诊断模型；采集零件的振动信号并进行数据预处理，得到测试集样本并输入复杂装备关键零件故障诊断模型中，从而判断零件的故障类型。本发明将小波阈值降噪方法与深度学习方法结合，提出的非负铰链收缩网络降低了噪声对特征学习的影响，提高了在噪声环境下复杂装备关键零件故障诊断的准确率。
-
公开(公告)号：CN117972548A
公开(公告)日：2024-05-03
申请号：CN202311811052.2
申请日：2023-12-26
Applicant: 浙江大学
IPC: G06F18/2413 , G06F18/214 , G06N3/0464 , G06N3/082 , G06F18/213 , G06F18/21 , G01M13/00
Abstract: 本发明公开了一种类不均衡数据驱动的变工况装备关键部件故障诊断方法。针对机电复杂装备中的关键旋转部件，获取部件正常及故障状态运行下的振动信号及其故障类型，构建诊断数据集并对模型进行训练，从而利用训练好的故障诊断模型得到待预测的传感器数据的诊断结果。本发明考虑到当前工业界监测数据处于变工况下且类别不均衡的复杂现状，首次应用逐通道卷积生成局部特征增强权重矩阵，利用较少训练参数实现局部特征空间上的特征增强；设计并引入考虑旋转部件固有物理特征的宽域卷积核，在变工况条件下充分、稳定抓取有效特征信息，实现端到端的机电装备关键旋转部件故障诊断。本发明简洁、高效，不仅具有理论创新性，而且具有很高的实用性。
-
-
-
Search Results
4
records
(took 0.013 seconds)
