申请/专利权人:重庆大学
申请日:2022-11-15
公开(公告)日:2023-01-17
公开(公告)号:CN115618267A
主分类号:G06F18/24
分类号:G06F18/24;G06N3/0464;G06N3/088;G01M13/045
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.10.31#实质审查的生效;2023.01.17#公开
摘要:无监督域自适应及熵优化的设备传感诊断方法及系统。其中,包括以下步骤:1收集不同工作条件下设备的振动传感信号,利用格拉姆角场技术对数据进行预处理;2构建基于卷积神经网络的故障诊断模型,包括特征提取模块、特征一致判别模块和特征识别模块;3将源域有标签样本在故障诊断模型的特征提取模块和特征识别模块上进行训练;4利用数据增强策略,将目标域无标签训练样本在故障诊断模型上进行一致性训练;5将目标域无标签且未参与训练的样本输入到已经训练好的诊断模型中并得出设备健康状态。通过将RandAugment技术和域自适应技术相结合,能够在数据不平衡和数据分布转移的条件下提高模型对设备健康状态的识别精度。
主权项:1.一种无监督域自适应及熵优化的设备传感诊断方法及系统,其特征在于,该方法包括以下步骤:步骤1:在设备上收集多个工作条件下的振动传感信号,每个工作条件包含多个设备健康状态;一个工作条件的数据是一个数据域,不同的数据域中数据分布不一致,并对数据域进行长尾分布划分样本;步骤2:对数据进行预处理,通过格拉姆角场算法,将收集到的一维数据转为二维数据,并储存到磁盘中;构建基于卷积神经网络的故障诊断模型,该故障诊断模型至少包括特征提取模块、特征一致判别模块和特征识别模块;步骤3:从数据储存库中随机选择一个域作为源域,并对其随机取样划分数据集;将有标签样本在故障诊断模型的特征提取模块和特征识别模块上进行训练;步骤4:从数据存储库中剩余域中随机选择一个为目标域,并对其随机取样划分数据集。在步骤3源域训练的故障诊断模型的基础上,利用数据增强策略将目标域无标签训练样本在故障诊断模型上进行训练;步骤5:将目标域无标签且未参与训练的样本输入到已经训练好的诊断模型中并得出设备健康状态。
全文数据:
权利要求:
百度查询: 重庆大学 无监督域自适应及熵优化的设备传感诊断方法及系统
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。