申请/专利权人：重庆大学

申请日：2024-01-10

公开（公告）日：2024-04-09

公开（公告）号：CN117851890A

主分类号：G06F18/241

分类号：G06F18/241;G06F18/214;G06F18/213

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明涉及一种基于DG‑Softmax的机械故障迁移诊断方法，属于机械设备故障诊断技术领域。该方法包括：S1：通过加速度传感器采集机械设备的原始振动信号，然后将采集到的原始振动信号利用滑动采样技术扩充样本数据集；S2：构建基于DG‑Softmax分类损失和ACADM的域泛化迁移诊断网络；S3：将训练样本输入到构建好的域泛化迁移诊断网络中，利用源域有标签样本的Softmax分类损失函数进行预训练，预训练结束后，利用源域有标签样本的DG‑Softmax分类损失函数对域泛化迁移诊断网络进行迭代更新训练；S4：经过多次迭代训练，误差曲线趋于稳定，网络训练完成，将其用于故障迁移诊断，提高故障诊断准确性。

主权项：1.一种基于DG-Softmax的机械故障迁移诊断方法，其特征在于，该方法具体包括以下步骤：S1：通过加速度传感器采集机械设备的原始振动信号，然后将采集到的原始振动信号利用滑动采样技术扩充样本数据集；S2：构建基于DG-Softmax分类损失和ACADM的域泛化迁移诊断网络，其中，所述ACADM表示抗干扰类级自适应决策裕度选择机制；S3：将划分好的的训练样本输入到构建好的域泛化迁移诊断网络中，利用源域有标签样本的Softmax分类损失函数进行预训练，在预训练结束后，利用源域有标签样本的DG-Softmax分类损失函数对域泛化迁移诊断网络进行迭代更新训练；S4：经过多次迭代训练，误差曲线趋于稳定，域泛化迁移诊断网络训练完成，训练好的域泛化迁移诊断网络将用于机械设备故障迁移诊断。

全文数据：

权利要求：

百度查询： 重庆大学 基于DG-Softmax的机械故障迁移诊断方法

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