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

Inventor： 李学艺 ,  何秋实 ,  郁天宇 ,  李岱优 ,  解志杰

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

Inventor： 李学艺 ,  郁天宇 ,  李岱优 ,  何秋实 ,  解志杰

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：CN118296508A

公开(公告)日：2024-07-05

申请号：CN202410446455.X

申请日：2024-04-15

Applicant: 东北林业大学

Inventor： 李学艺 ,  吴旭东 ,  郁天宇 ,  李岱优 ,  解志杰

IPC: G06F18/2431 ,  G06F18/214 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了基于图卷积网络的直升机故障诊断方法、系统及设备，属于旋转机械故障诊断在工业实际中的应用，所述系统包括数据采集、数据处理、数据划分、方法构建、模型训练和模型测试六个步骤，数据采集阶段使用传感器采集直升机传动系统、动力装置、旋翼系统和尾桨系统等部位的振动信号，数据处理阶段进行插值处理和归一化操作，数据划分将处理完成的数据划分为训练集和测试集，方法构建融合了高斯滤波器、去噪自编码模块及多感受野图卷积网络，模型训练阶段和测试阶段分别使用训练集和测试集进行训练和测试。本发明能够在所述设备上进行直升机旋转机械的健康状态监测及故障诊断并表现了一定的准确性和稳定性。

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

Inventor： 李学艺 ,  郁天宇 ,  李岱优 ,  何秋实 ,  解志杰

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：CN118965027A

公开(公告)日：2024-11-15

申请号：CN202410988444.4

申请日：2024-07-23

Applicant: 东北林业大学

Inventor： 李学艺 ,  范闪闪 ,  郁天宇 ,  李岱优 ,  谢怡宁

IPC: G06F18/23 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/0464 ,  G06F18/2132 ,  G06N3/088

Abstract: 本发明涉及一种基于SE注意机制混合式网络和批谱惩罚的旋转机械故障诊断方法。首先，本方法通过SE(Squeeze‑and‑Excitation)注意力机制动态地调整神经网络中各通道的权重，增强模型对故障特征的识别能力。同时，引入MixStyle技术，通过在训练过程中概率性地混合来自不同域的样本特征，有效提高了模型在不同运行条件下的泛化性能。此外，本发明还采用批量光谱惩罚(BSP)策略，通过惩罚最大奇异值来平衡特征的传递性和辨识性，从而提升了模型在跨域故障诊断中的准确率和鲁棒性。该方法经NEFU齿轮数据集和JUN轴承数据集验证，结果表明，相较于传统方法，本发明提出的方法在旋转机械的无监督故障诊断任务中表现出色，具有优越的诊断性能和较高的准确率。