-
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：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：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。
-
公开(公告)号：CN117313534A
公开(公告)日：2023-12-29
申请号：CN202311268686.8
申请日：2023-09-28
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06F18/214 , G06N3/0464 , G06N3/0442 , G06N3/092 , G06F119/02
Abstract: 本发明公开了一种基于TD3优化模型更新策略的滚动轴承剩余寿命预测方法及系统，涉及滚动轴承使用寿命预测技术领域，用以解决现有滚动轴承寿命预测模型在更新过程中存在模型退化及预测精度较低的问题。本发明的技术要点包括：利用连续小波变换将滚动轴承振动数据变换为二维时频谱图，构建数据集；引入深度强化学习，设计状态、动作、奖励值、损失函数等元素，用于训练CNN‑BiLSTM预测模型；利用TD3算法的延迟和软更新策略，降低CNN特征网络更新频率，并设计新的损失函数，进而建立新的模型更新策略，解决预测模型退化问题。本发明可实现滚动轴承剩余寿命的准确预测。
-
Patent Agency Ranking
公开(公告)号：CN116465628A
公开(公告)日：2023-07-21
申请号：CN202310239905.3
申请日：2023-03-13
Applicant: 哈尔滨理工大学
IPC: G01M13/04 , G01M13/045 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 一种基于改进多源域异构模型参数传递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。本发明是针对实际工业生产中不同规格和工况下滚动轴承振动数据分布差异大，多个相似数据集资源利用不充分，导致诊断模型准确率不高的问题而提出的。该方法利用短时傅里叶变换获取滚动轴承振动信号的时频谱图；选择多种不同规格和工况下已知标签数据作为多源域，其他规格和工况下少量已知标签数据作为目标域；使用多个源域数据训练多个ResNet‑34深度网络，并提出利用基于进化策略的与模型无关元学习改进异构模型参数迁移策略，使其能够自适应决定迁移到目标域的知识层级及内容；提出将源域知识迁移到VGG‑16深度网络得到多个目标域模型后，将其提取的特征依次输入同一个极限学习机中实现模型集成，通过极限学习机输出分类结果，最终建立滚动轴承故障诊断模型。经实验验证，所提方法可实现不同规格和工况下滚动轴承间的移诊断问题，并且具有较高的准确率。
-
公开(公告)号：CN119312228B
公开(公告)日：2025-04-15
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：CN119513654A
公开(公告)日：2025-02-25
申请号：CN202411542983.1
申请日：2024-10-31
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G01M13/028 , G06F18/2131 , G06F30/27 , G06N3/0464 , G06N3/088 , G06F119/14
Abstract: 本发明公开了一种基于数字孪生的不同工况下工业机器人谐波减速器故障诊断方法及系统，涉及谐波减速器故障诊断技术领域。本发明的技术要点包括：首先，基于动力学建模方法构建谐波减速器故障数字孪生模型，获取孪生数据；其次，提出基于循环生成对抗网络的数字孪生虚实映射方法，实现孪生数据与实测数据的虚实映射；然后，引入改进的半软阈值函数构建深度残差收缩网络，抑制噪声干扰并提取特征，同时在无监督场景下对所提特征进行域适应处理，利用MMD减小领域间分布差异，实现不同工况下的故障诊断。最后，搭建谐波减速器故障模拟试验台并进行实验验证，本发明有效解决了无监督场景中不同工况下工业机器人谐波减速器的故障诊断问题。
-
公开(公告)号：CN114861778B
公开(公告)日：2024-10-25
申请号：CN202210429221.5
申请日：2022-04-22
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/10 , G01M13/04 , G06N3/045 , G06N3/096
Abstract: 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法，涉及滚动轴承故障分类技术领域，用以解决深度学习网络训练耗时以及不同负载下滚动轴承的源域数据和目标域数据分布差异较大的问题。本发明的技术要点包括：以循环扩展的方式建立宽度学习系统(BLS)的增强节点窗口，并在增强层引入Maxout激活函数构建改进的BLS网络，同时引入遗传算法优化网络节点结构，建立基于源域数据的预训练模型；将预训练模型的网络参数、特征层和增强层的权重参数迁移至目标域网络，并利用少量目标域训练样本微调网络建立状态分类模型。本发明方法可以在更短的时间内建立分类模型并获得良好的分类准确率，适用于不同负载下滚动轴承故障状态的快速分类。
-
公开(公告)号：CN114861778A
公开(公告)日：2022-08-05
申请号：CN202210429221.5
申请日：2022-04-22
Applicant: 哈尔滨理工大学
Abstract: 一种改进宽度迁移学习的不同负载下滚动轴承状态快速分类方法，涉及滚动轴承故障分类技术领域，用以解决深度学习网络训练耗时以及不同负载下滚动轴承的源域数据和目标域数据分布差异较大的问题。本发明的技术要点包括：以循环扩展的方式建立宽度学习系统(BLS)的增强节点窗口，并在增强层引入Maxout激活函数构建改进的BLS网络，同时引入遗传算法优化网络节点结构，建立基于源域数据的预训练模型；将预训练模型的网络参数、特征层和增强层的权重参数迁移至目标域网络，并利用少量目标域训练样本微调网络建立状态分类模型。本发明方法可以在更短的时间内建立分类模型并获得良好的分类准确率，适用于不同负载下滚动轴承故障状态的快速分类。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.119 seconds)
