申请/专利权人:山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院);山东山科智控科技创新有限公司
申请日:2024-01-17
公开(公告)日:2024-06-21
公开(公告)号:CN118228143A
主分类号:G06F18/243
分类号:G06F18/243;G01M13/04;G01M13/045;G06F18/214;G06F18/21;G06N3/0464;G06N3/096
优先权:
专利状态码:在审-公开
法律状态:2024.06.21#公开
摘要:本发明属于基于特定计算机模型的故障诊断技术领域,更具体地,涉及一种基于深度迁移学习的轴承新增故障诊断方法。所述方法包括用加速度计采集轴承在不同运行工况下的原始振动信号;构建基于多粒度的层次化特征提取网络,并进行特征提取得到域不变特征;构建基于肘部法则的自适应层次聚类,将域不变特征划分为不同的簇或类别;构建基于DEC‑OS‑ELM的新增故障诊断模型,实现对实际故障诊断中不断新增故障的检查;根据新故障数据的不断收集,在线更新DEC‑OS‑ELM模型。本发明解决了现有技术中受限于需要大量的标记样本来训练模型、训练数据集和测试数据集服从相同的分布,实际应用中不断新增故障等问题。
主权项:1.一种基于深度迁移学习的轴承新增故障诊断方法,其特征在于,包括;S1.采集轴承在不同运行工况下的原始振动信号,并划分为源域数据和目标域数据;S2.构建基于多粒度的层次化特征提取网络,并进行特征提取得到域不变特征;S3.构建基于肘部法则的自适应层次聚类,将域不变特征划分为不同的簇或类别;S4.构建基于DEC-OS-ELM的新增故障诊断模型,实现对实际故障诊断中不断新增故障的检查;S5.根据新故障数据的不断收集,在线更新DEC-OS-ELM模型。
全文数据:
权利要求:
百度查询: 山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院);山东山科智控科技创新有限公司 一种基于深度迁移学习的轴承新增故障诊断方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。