-
公开(公告)号：CN115144747A
公开(公告)日：2022-10-04
申请号：CN202210775510.0
申请日：2022-07-01
Applicant: 中南大学
Abstract: 本发明涉及故障诊断技术领域，公开了一种基于对抗迁移学习的多工况电机故障诊断方法及系统，该方法通过构建标签分类器模型、全局域判别器模型以及局部域判别器模型，可以对齐不同工况下的数据分布，提取不同工况下的样本的平移不变特征，使某工况下所训练的故障诊断模型能适用于其它工况，使所训练的故障诊断模型适用多工况运行，而不限于单一工况，提高故障诊断方法在实际运行电机上的适应性。该方法易于实施，无需额外硬件设备，能提高电机和列车实时运行健康监测水平。
-
公开(公告)号：CN111008732B
公开(公告)日：2023-06-20
申请号：CN201911147200.9
申请日：2019-11-21
Applicant: 中南大学
IPC: G06F18/25 , G06F18/214 , G06F18/21
Abstract: 本发明涉及故障预测及健康管理领域，公开了一种基于堆栈模型的故障预测方法及系统，以融合不同预测方法，在处理不同特点的数据时充分发挥各自优点，提高系统预测精度。该方法包括确定堆栈模型的层数，选择每层堆栈模型所用的预测方法；将得到的原始数据集划分为第一层训练数据集和第一层测试数据集；采用K折交叉验证方法将第一层训练数据集分为训练集和验证集并对训练集进行训练以得到第一层堆栈模型；分别用训练学习好的第一层堆栈模型，测试对应验证集及测试集，将得到验证集及测试集的预测值，分别作为下一层的训练数据集和测试数据集；重复上述步骤计算所有层堆栈模型，根据最后一层堆栈模型对测试数据集的预测结果得到最终的预测结果。
-
公开(公告)号：CN115144747B
公开(公告)日：2024-09-20
申请号：CN202210775510.0
申请日：2022-07-01
Applicant: 中南大学
IPC: G01R31/34 , G06F18/214 , G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/096
Abstract: 本发明涉及故障诊断技术领域，公开了一种基于对抗迁移学习的多工况电机故障诊断方法及系统，该方法通过构建标签分类器模型、全局域判别器模型以及局部域判别器模型，可以对齐不同工况下的数据分布，提取不同工况下的样本的平移不变特征，使某工况下所训练的故障诊断模型能适用于其它工况，使所训练的故障诊断模型适用多工况运行，而不限于单一工况，提高故障诊断方法在实际运行电机上的适应性。该方法易于实施，无需额外硬件设备，能提高电机和列车实时运行健康监测水平。
-
Patent Agency Ranking
公开(公告)号：CN113486868A
公开(公告)日：2021-10-08
申请号：CN202111041045.X
申请日：2021-09-07
Applicant: 中南大学
Abstract: 本发明涉及故障诊断领域，公开一种电机故障诊断方法及系统，该方法包括采集电机分别在正常状态和预设时间段内的K类故障运行状态下的共K+1类工况传感器信号，K为正整数，并根据工况传感器信号构建初始数据集；对初始数据集进行角域重采样处理，得到带标签的重采样数据集，并对重采样数据集进行时间滑窗处理得到带标签的总样本集，将总样本集划分为带标签的训练集和测试集；并构建第一预设模型、第二预设模型、第三预设模型、分类器模型，并设定损失函数；构建目标模型；根据实时工况传感器信号和目标模型确定待测电机的诊断结果。可以有效解决早期故障演变趋势缓慢、故障特征容易淹没在噪声中的问题，实现电机早期故障诊断。
-
公开(公告)号：CN113486868B
公开(公告)日：2022-02-11
申请号：CN202111041045.X
申请日：2021-09-07
Applicant: 中南大学
Abstract: 本发明涉及故障诊断领域，公开一种电机故障诊断方法及系统，该方法包括采集电机分别在正常状态和预设时间段内的K类故障运行状态下的共K+1类工况传感器信号，K为正整数，并根据工况传感器信号构建初始数据集；对初始数据集进行角域重采样处理，得到带标签的重采样数据集，并对重采样数据集进行时间滑窗处理得到带标签的总样本集，将总样本集划分为带标签的训练集和测试集；并构建第一预设模型、第二预设模型、第三预设模型、分类器模型，并设定损失函数；构建目标模型；根据实时工况传感器信号和目标模型确定待测电机的诊断结果。可以有效解决早期故障演变趋势缓慢、故障特征容易淹没在噪声中的问题，实现电机早期故障诊断。
-
公开(公告)号：CN113255771A
公开(公告)日：2021-08-13
申请号：CN202110579449.8
申请日：2021-05-26
Applicant: 中南大学
Abstract: 本发明涉及故障诊断领域，公开一种基于多维异构差异分析的故障诊断方法及系统，以提高系统故障诊断正确率。方法包括：采集系统正常、故障运行下的传感器信号，构建数值型、分布型、时序型3种不同结构特征集；分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，并分别对数值型、分布型、时序型的训练特征集与测试特征集之间进行差异度量；根据前述各类型差异度量并结合3种不同结构特征的权重，构建多维异构特征集的synsim综合差异度量矩阵，最后通过k‑近邻分类得到最终的正常/故障类别。
-
公开(公告)号：CN113255771B
公开(公告)日：2022-07-08
申请号：CN202110579449.8
申请日：2021-05-26
Applicant: 中南大学
Abstract: 本发明涉及故障诊断领域，公开一种基于多维异构差异分析的故障诊断方法及系统，以提高系统故障诊断正确率。方法包括：采集系统正常、故障运行下的传感器信号，构建数值型、分布型、时序型3种不同结构特征集；分别对数值型、分布型、时序型的训练特征集与训练特征集之间进行差异度量，并分别对数值型、分布型、时序型的训练特征集与测试特征集之间进行差异度量；根据前述各类型差异度量并结合3种不同结构特征的权重，构建多维异构特征集的synsim综合差异度量矩阵，最后通过k‑近邻分类得到最终的正常/故障类别。
-
公开(公告)号：CN111008732A
公开(公告)日：2020-04-14
申请号：CN201911147200.9
申请日：2019-11-21
Applicant: 中南大学
Abstract: 本发明涉及故障预测及健康管理领域，公开了一种基于堆栈模型的故障预测方法及系统，以融合不同预测方法，在处理不同特点的数据时充分发挥各自优点，提高系统预测精度。该方法包括确定堆栈模型的层数，选择每层堆栈模型所用的预测方法；将得到的原始数据集划分为第一层训练数据集和第一层测试数据集；采用K折交叉验证方法将第一层训练数据集分为训练集和验证集并对训练集进行训练以得到第一层堆栈模型；分别用训练学习好的第一层堆栈模型，测试对应验证集及测试集，将得到验证集及测试集的预测值，分别作为下一层的训练数据集和测试数据集；重复上述步骤计算所有层堆栈模型，根据最后一层堆栈模型对测试数据集的预测结果得到最终的预测结果。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.018 seconds)
