申请/专利权人：江苏科技大学

申请日：2023-09-22

公开（公告）日：2024-02-06

公开（公告）号：CN117521274A

主分类号：G06F30/17

分类号：G06F30/17;G06F30/27;G06F18/241;G06F18/214;G06F18/25;G06N3/0464;F15B19/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.02.27#实质审查的生效;2024.02.06#公开

摘要：本发明公开了一种故障样本稀缺条件下的电静液作动器故障诊断方法，其首先通过构建的数据采集装置分别获取仿真模型数据作为源域数据，获取传感器数据作为目标域数据；随后利用源域数据对构建的故障诊断模型进行训练，进一步利用目标域数据对深度迁移网络模型进行训练，对输出层重新训练，对中间层权重参数进行微调，得到用于电静液作动器故障诊断的迁移学习故障诊断模型。本发明解决了小样本和故障数据稀缺条件下的故障分类问题，提升了故障诊断的准确度。

主权项：1.一种故障样本稀缺条件下的电静液作动器故障诊断方法，其特征在于，包括：构建包括仿真机和电静液作动器的数据采集装置，其中仿真机中运行电静液作动器仿真模型，仿真机和电静液作动器接收同样的控制指令；确定电静液作动器故障模式类型，以此确定电静液作动器仿真模型的监测参数以及对应的电静液作动器的传感器类型、数量及布置位置；通过数据采集装置获取的仿真模型数据作为源域数据，获取的传感器数据作为目标域数据，对数据作预处理后，通过迁移成分分析方法，将源域数据和目标域数据映射到高维空间，最小化源域数据和目标域数据之间的MMD距离，得到映射后的源域数据与目标域数据；构建故障诊断模型，故障诊断模型包括中央耦合网络和若干分支网络，所述若干分支网络分别用于提取各传感器数据特征，中央耦合网络用于逐层对所述若干分支网络提取的各传感器数据特征进行耦合重构，中央耦合网络最后一层为用于故障分类的软最大化层；利用映射后的源域数据对故障诊断模型进行训练，得到源域故障诊断模型；冻结源域故障诊断模型除输出层之外的所有中间层的权重参数，初始化输出层参数，以建立新的迁移模型；将映射后的目标域数据用于迁移模型的训练优化，对中间层权重参数进行微调，得到用于电静液作动器故障诊断的迁移学习故障诊断模型。

全文数据：

权利要求：

百度查询： 江苏科技大学 一种故障样本稀缺条件下的电静液作动器故障诊断方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD