“武靖耀”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果5个，建议您升级VIP下载更多相关专利

[发明专利]基于深度特征编码与混合高斯模型的燃机退化评估方法-CN202110344142.X有效
发明人：严如强;杨旭彪;孙闯;武靖耀;周峥;田绍华;唐亚军 -专利权人：西安交通大学
申请日： 2021-03-30 - 公布日： 2023-03-31 - 主分类号： G06F18/22 文献下载
摘要：本发明公开了一种基于深度特征编码与混合高斯模型的燃气轮机性能退化评估方法，首先提取燃气轮机多源数据，根据数据的分布特征去除多源数据中的异常值干扰，其次自适应分离多源数据中的低频噪声和高频故障成分，并选取包含重要信息的分量进行重构，构造原始特征矩阵，然后构建堆叠降噪自编码器模型并输入样本特征矩阵进行训练，获取多源数据在隐层空间的深度特征编码，使用混合高斯模型对正常阶段的隐层表达进行分布拟合，从而构建正常基准，输入新获取样本的多源数据隐层特征，计算该样本与基准分布的马氏距离，从而建立燃气轮机健康退化指标。
基于深度特征编码混合模型退化评估方法

[发明专利]一种基于半监督对抗网络的轴承故障诊断方法-CN202110588072.2有效
发明人：孙闯;武靖耀;赵志斌;田绍华;王诗彬;严如强;陈雪峰 -专利权人：西安交通大学
申请日： 2021-05-27 - 公布日： 2022-08-09 - 主分类号： G01M13/045 文献下载
摘要：本公开揭示了一种基于半监督对抗网络的轴承故障诊断方法，包括：S100：采集轴承真实故障时的振动信号xf、轴承正常运行时的振动信号xh以及待测轴承振动信号S200：构建由生成器g、特征网络f、故障分类器fc、鉴别器d、辅助分类器ac和诊断网络diag组成的半监督生成对抗网络并进行训练，训练包括如下步骤：S201：对生成器g进行训练，生成故障状态以及正常运行下的伪轴承振动信号S202：以振动信号xf、xh以及伪轴承振动信号对特征网络f、故障分类器fc、鉴别器d和辅助分类器ac进行训练；S203：待步骤S201和步骤S202的训练收敛后，以振动信号xh、xf和伪轴承振动信号对诊断网络diag进行训练；S300：将待测轴承振动信号输入训练后的诊断网络diag进行故障诊断。
一种基于监督对抗网络轴承故障诊断方法

[发明专利]一种重大设备智能运维管理系统-CN201810455596.2有效
发明人：陈雪峰;武靖耀;刘一龙;张兴武;宫保贵;李明;严如强;王诗彬 -专利权人：西安交通大学
申请日： 2018-05-14 - 公布日： 2021-10-01 - 主分类号： G06Q10/00 文献下载
摘要：本公开揭示了一种设备智能运维管理系统；所述系统包括健康管理层、运维管理层和协调管理层；通过对多设备、多部件的全时段远程监测、故障诊断、寿命预测、运维中心、以及协同中心等功能的集成；以实现在运行阶段有效掌控固定设施、移动装备的运行状态和变化规律；并且将多部门、多终端、多站点协同与运维管理相结合，形成安全风险源识别、诊断、预测、排除构成的闭路循环，最大限度地防控安全风险，同时以数据为支撑，实现以产业链升级带动设备升级。
一种重大设备智能管理系统

[发明专利]故障敏感编码网络驱动的直升机传动系统轴承检测方法-CN202110262703.1在审
发明人：孙闯;武靖耀;赵志斌;王诗彬;同超玮;李明;严如强;陈雪峰 -专利权人：西安交通大学
申请日： 2021-03-11 - 公布日： 2021-07-30 - 主分类号： G06K9/00 文献下载
摘要：公开了一种故障敏感编码网络驱动的直升机传动系统轴承检测方法，方法中，采集健康的直升机传动系统轴承噪声信号作为训练信号，通过编码器将所述训练信号降维得到低维流形，解码器基于低维流形以重构信号，生成对抗网络包括生成器和鉴别器，生成器生成待测信号，鉴别器鉴别待测信号是来自训练信号还是重构信号，计算训练信号与重构信号的差值得到重构误差，生成对抗网络对抗训练交替优化达到纳什均衡，并拟合得到健康状态信号的分布，输入测试信号到编码器以降维得到低维流形，解码器基于低维流形以重构信号，输入生成对抗网络对抗训练并拟合得到测试信号分布，所述测试信号分布不符合所述健康状态信号的分布，则认为存在故障。
故障敏感编码网络驱动直升机传动系统轴承检测方法

[发明专利]元度量学习驱动的直升机行星齿轮箱故障诊断方法-CN202110344018.3在审
发明人：孙闯;武靖耀;赵志斌;王诗彬;同超玮;李明;严如强;陈雪峰 -专利权人：西安交通大学
申请日： 2021-03-30 - 公布日： 2021-07-09 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种元度量学习驱动的直升机行星齿轮箱故障诊断方法，方法中，元度量深度神经网络为核心，由特征编码网络和特征匹配网络两个子网络组成；通过在相关的源域中建立多个子任务来迭代训练网络参数，并使用神经网络来抽象化取代可优化更新的特征距离匹配函数，最终在目标任务域实现利用少量标签样本来进行高精度的直升机行星齿轮箱故障诊断。诊断方法包括准备阶段、元学习阶段以及迁移阶段共三个流程。在准备阶段，完成网络超参数设置以及数据集的分割。在元学习阶段，利用源域数据来训练模型学习最优的特征提取以及距离度量的网络参数。最终，在迁移阶段对检测样本与目标域多类故障样本进行特征提取与特征匹配，得到故障模式判定决策。
度量学习驱动直升机行星齿轮箱故障诊断方法