龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：江南大学
申请日：2024-03-22
公开（公告）日：2024-06-25
公开（公告）号：CN118245874A
主分类号：G06F18/241
分类号：G06F18/241;G06F18/213;G06F18/214;G06N3/0442;G06N3/0464;G06N3/0985;G01M13/00;G01M13/021;G01M13/045;G01M13/028
优先权：
专利状态码：在审-公开
法律状态：2024.06.25#公开
摘要：本申请提出了一种基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法，用于未知真实工况下的新的混合多源域泛化网络模型。该模型的核心关键是学习不同环境信息的特征信息不变表示，同时通过特征判别使相似特征表示的内积平均高于其他特征，使诊断模型能够学习特定工作环境的特征鲁棒信息并泛化到看不见的工作环境中。通过在德国帕德伯恩滚动轴承数据集进行实验的实验结果证实了该方法的有效性。进一步通过搭建行星平行轴齿轮箱轴承综合故障模拟试验台，通过进一步实验得到采集的真实数据的大量诊断任务实验结果，也验证了该方法在未知真实工况下的泛化性能方面确有提升。
主权项：1.一种基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法：其特征在于，包括步骤：提供混合多源域泛化网络模型；所述混合多源域泛化网络模型被配置为基于预设的适用于多源域情境的混合策略汇集不同域的数据，在不同域之间进行数据混合，以创建新的实例；基于融合数据混合分布集成所述新的实例中的来自多个不同源域的不同信息，该融合数据混合分布被描述为： 其中，和是来自中任意域的振动信号和电机电流信号的特征-目标对；Ds是定义的源域，其中，，Q表示源域的数量，第q个源域包含ns，q个标记样本；且源样本集和分别表示源域中的振动信号数据，电流信号数据和两种类型都包含的混合型数据；混合来自所有域得到混合特征-目标对是生成的样本，是对应的标签；λ是一个随机变量，用于控制混合度，混合度生成并归一化如下：其中随机变量vp～U0，β；其中所述混合强度超参数β来控制所述随机变量向量的生成，所述混合强度超参数β与maxλ的期望值之间的关系是随着所述混合强度超参数β的增加，生成的样本的随机性更小；以及将得到的数据应用于故障诊断，利用类别分类损失函数和特征信息对比损失函数判断其优越性。
全文数据：
权利要求：
百度查询： 江南大学 基于混合多源域泛化网络模型的旋转机械真实损伤诊断方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号