-
公开(公告)号：CN119128714A
公开(公告)日：2024-12-13
申请号：CN202411113487.4
申请日：2024-08-14
Applicant: 东北林业大学
IPC: G06F18/2431 , G06F18/25 , G06F18/21 , G06N3/045 , G06N3/0464 , G01M13/028
Abstract: Convformer‑SENet的齿轮故障诊断方法，涉及机械故障诊断领域。针对CNN在齿轮故障诊断中因局部特性限制难以全面捕捉全局故障信息，以及Transformer处理长序列时资源消耗大、容易在数据量小的情况下过拟合的不足，本方法提出了一种新的齿轮故障诊断算法Convformer‑SENet，用来提高齿轮故障诊断准确率。Convformer‑SENet结合了CNN强大的局部特征提取能力和Transformer能够通过自注意力机制捕捉输入序列中任意两个位置之间的依赖关系的优势。兼顾局部和全局特征，同时嵌入SENet通道注意力机制实现自适应学习。本文使用东南大学数据集和东北林业大学齿轮故障数据集，对所提出方法的有效性进行验证。实验结果表明，本专利提出的方法能有效提高齿轮故障诊断准确率，同时通过与其他先进的方法进行对比，Convformer‑SENet在诊断准确性方面均优于其他先进方法。
-
公开(公告)号：CN116432352A
公开(公告)日：2023-07-14
申请号：CN202310594431.4
申请日：2023-05-25
Applicant: 东北林业大学
IPC: G06F30/17 , G06F30/27 , G06F18/241 , G06F18/25 , G06N3/045 , G06N3/048 , G01M13/045
Abstract: 本发明公开了一种基于数字孪生技术的航空发动机主轴轴承故障诊断方法，首先，建立初始数字孪生模型，根据初始孪生信号和实体信号一致性偏差情况，使用深度学习方法对数字孪生模型参数进行多阶段修正，获得全面充足的高精度的孪生振动信号；其次，利用实体振动信号和孪生振动信号构建孪生振动信号数据库，使用该数据库对卷积神经网络、自动编码器和门控循环单元GRU进行训练；最后，利用上述三模型基于集成学习方法构建集成学习故障诊断模型，实现航空发动机主轴轴承实时信号的故障诊断。本发明利用深度学习对数字孪生模型进行修正来得到大量高精度孪生振动信号，还利用多个故障诊断模型的集成学习提高实时故障诊断结果准确率的稳定性。
-
公开(公告)号：CN115905976B
公开(公告)日：2023-07-07
申请号：CN202211412586.3
申请日：2022-11-11
Applicant: 东北林业大学
IPC: G06F18/2415 , G06N3/0442 , G06N3/045 , G06N3/047 , G06N3/08 , G01M13/045
Abstract: 基于注意力机制的Highway Bi‑LSTM轴承故障诊断方法、系统及设备，涉及机械故障诊断领域。本发明是为了解决现有轴承故障诊断方法还存在由于无法提取逆时域序列特征、对关键特征关注不足、训练层过多难以收敛导致的故障诊断准确率低的问题。本发明包括：获得待诊断的轴承原始振动信号，将待诊断的轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障严重性诊断结果；轴承故障诊断网络通过以下方式获得：获取轴承原始振动信号，并将轴承原始振动信号分为训练集和测试集；构建Highway Bi‑LSTM网络：Bi‑LSTM网络、注意力机制、Highway层、全连接层、softmax分类器；利用训练集训练Highway Bi‑LSTM网络；利用测试集测试训练好的Highway Bi‑LSTM网络，获得轴承故障诊断网络。本发明用于轴承的故障诊断。
-
Patent Agency Ranking
公开(公告)号：CN115964661A
公开(公告)日：2023-04-14
申请号：CN202310015521.3
申请日：2023-01-04
Applicant: 东北林业大学
IPC: G06F18/241 , G06F18/213 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/096 , G01M13/00 , G01M13/021 , G01M13/028
Abstract: 本发明实施例公开了一种基于域对抗网络的旋转机械故障诊断方法和系统，所述方法包括：获取待测旋转机械的参数数据；将所述参数数据输入预先训练的故障诊断模型中，以得到所述待测旋转机械的故障诊断结果；其中，所述故障诊断模型是基于群卷积神经网络利用目标样本进行训练得到的，所述目标样本为利用最小二乘对抗网络对有限样本进行样本扩展处理后得到的。解决了现有技术中由于样本量不足而导致的旋转机械故障诊断结果准确性较低的技术问题，从而实现在小样本情况下保证旋转机械故障诊断结果准确的技术效果。
-
公开(公告)号：CN117928642A
公开(公告)日：2024-04-26
申请号：CN202410103638.1
申请日：2024-01-24
Applicant: 东北林业大学
Abstract: 本发明公开了一种面向电机滚动轴承的状态监测和故障诊断系统，包括数据采集端、服务器端和数据显示端三部分。其中数据采集端布设在待监测的电机滚动轴承所在位置处，用于采集设备的运行数据，并将数据发送至服务器端；服务器端通过采用计算机技术对数据进行多维度分析，结合参数阈值和智能算法对电机滚动轴承的故障情况进行检测；最后，在数据显示端图形化显示电机滚动轴承的运行参数、运行状态以及对设备故障进行预警。本发明系统通过多源异构的数据采集、多维度的数据分析和图形化的信息显示，结合互联网连接传输技术、物联网传感器技术和计算机深度学习技术，实现对电机滚动轴承较为全面充分的监测和故障预警，使得状态监测和故障诊断系统整体水平得到提升。
-
公开(公告)号：CN117972563A
公开(公告)日：2024-05-03
申请号：CN202410131741.7
申请日：2024-01-31
Applicant: 东北林业大学
IPC: G06F18/2415 , G06F18/213 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/096 , G01M13/045 , G06F123/02
Abstract: 引入了多尺度、Efficient Channel Attention(ECA)注意力机制、Joint Adaptation Network(JAN)和类别混淆Minimum Class Confusion(MCC)尝试解决上述问题。首先，设计了一个多尺度的故障特征提取模块，以捕捉振动信号中不同尺度的区分性信息。其次，引入了ECA注意力机制，对提取的特征进行通道级加权，以增强有用特征和抑制冗余特征。然后，采用JAN方法，构建了局部最大均值差异，使源域和目标域的对应子域得到适应，避免了过于接近的问题。最后，使用类别混淆MCC作为损失函数，减少目标样本中正确类别和模糊类别之间的预测混淆，从而提高了迁移性能。所提出的方法在无监督的旋转机械故障诊断任务中具有卓越的性能，本发明用于旋转机械为包括发动机、电动机、滚动轴承、齿轮箱在内的旋转类旋转机械故障诊断。
-
公开(公告)号：CN115964661B
公开(公告)日：2023-09-08
申请号：CN202310015521.3
申请日：2023-01-04
Applicant: 东北林业大学
IPC: G06F18/241 , G06F18/213 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/096 , G01M13/00 , G01M13/021 , G01M13/028
Abstract: 本发明实施例公开了一种基于域对抗网络的旋转机械故障诊断方法和系统，所述方法包括：获取待测旋转机械的参数数据；将所述参数数据输入预先训练的故障诊断模型中，以得到所述待测旋转机械的故障诊断结果；其中，所述故障诊断模型是基于群卷积神经网络利用目标样本进行训练得到的，所述目标样本为利用最小二乘对抗网络对有限样本进行样本扩展处理后得到的。解决了现有技术中由于样本量不足而导致的旋转机械故障诊断结果准确性较低的技术问题，从而实现在小样本情况下保证旋转机械故障诊断结果准确的技术效果。
-
公开(公告)号：CN115905976A
公开(公告)日：2023-04-04
申请号：CN202211412586.3
申请日：2022-11-11
Applicant: 东北林业大学
IPC: G06F18/2415 , G06N3/0442 , G06N3/045 , G06N3/047 , G06N3/08 , G01M13/045
Abstract: 基于注意力机制的Highway Bi‑LSTM轴承故障诊断方法、系统及设备，涉及机械故障诊断领域。本发明是为了解决现有轴承故障诊断方法还存在由于无法提取逆时域序列特征、对关键特征关注不足、训练层过多难以收敛导致的故障诊断准确率低的问题。本发明包括：获得待诊断的轴承原始振动信号，将待诊断的轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障严重性诊断结果；轴承故障诊断网络通过以下方式获得：获取轴承原始振动信号，并将轴承原始振动信号分为训练集和测试集；构建Highway Bi‑LSTM网络：Bi‑LSTM网络、注意力机制、Highway层、全连接层、softmax分类器；利用训练集训练Highway Bi‑LSTM网络；利用测试集测试训练好的Highway Bi‑LSTM网络，获得轴承故障诊断网络。本发明用于轴承的故障诊断。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.029 seconds)
