公开(公告)号：CN110119778B

公开(公告)日：2024-01-05

申请号：CN201910388452.4

申请日：2019-05-10

Applicant: 辽宁大学

Inventor： 张利 ,  肖雪冬 ,  郭炜儒 ,  王青松 ,  张皓博 ,  王彦捷

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/08 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/006

Abstract: 本发明涉及一种改进鸡群优化RBF神经网络的设备健康状态检测方法，基本步骤如下：(1)信号采样；(2)降噪处理；(3)特征提取；(4)数据归一化处理；(5)设备健康状态检测。本发明提出了一种改进鸡群优化RBF神经网络模型，使用智能寻优方法找到最优的中心向量，从而提高RBF网络的性能。针对鸡群算法在一定程度上易陷入局部最优的问题，采用改进鸡群结合混沌搜索策略优化初始种群，同时对使用度值高的小鸡通过成长操作来代替一部分公鸡粒子，从而尽可能解决陷入局部最优的问题。

公开(公告)号：CN113204925A

公开(公告)日：2021-08-03

申请号：CN202110611750.2

申请日：2021-06-02

Applicant: 辽宁大学

Inventor： 张利 ,  张蕾 ,  李静 ,  袁意丽 ,  张皓博 ,  刘春雪

IPC: G06F30/27 ,  G06F30/25 ,  G06N3/00 ,  G06N3/12 ,  G06F111/04 ,  G06F111/08

Abstract: 一种改进鲸鱼算法优化最小二乘支持向量机带钢厚度预测方法，包括以下步骤：1)分析采集的钢板数据信号；2)特征提取；3)数据归一化处理；4)带钢厚度预测。发明一种改进鲸鱼算法优化最小二乘支持向量机带钢厚度预测方法，通过使用改进的鲸鱼法优化最小二乘支持向量机的正则化参数γ和核函数宽度σ，从而提高最小二乘支持向量机性能。本发明使用的数据是来源于国内某钢厂的热连轧板带材实际生产数据。在带钢厚度预测模型构建模块中，训练中的样本集采用预处理后的特征向量并运用经改进鲸鱼算法优化的LSSVM方法训练带钢厚度预测模型。本发明通过上述步骤，提供了一种的预测误差小、预测精度高、鲁棒性好的带钢厚度预测方法。

公开(公告)号：CN108106844B

公开(公告)日：2019-09-13

申请号：CN201711169602.X

申请日：2017-11-22

Applicant: 辽宁大学

Inventor： 张利 ,  高欣 ,  刘洋 ,  李大伟 ,  张皓博 ,  郭炜儒 ,  石振桔 ,  赵中洲

IPC: G01M13/045 ,  G05B13/02 ,  G05B13/04

Abstract: 一种自适应参数调节的自动编码机的轴承故障诊断方法，基本步骤如下：1)对轴承振动信号的采样；2)对轴承信号的预处理；3)对深度网络代价函数，结点数与结构确定；4)参数自适应调节；5)故障划分。该方法首先对当前数据做出降噪处理，在降噪的同时也进行降维处理，并通过归一化后的‘干净’数据进入深度网络进行训练，通过稀疏自动编码器的特性，对边缘降噪走动编码器隐含层神经元进行稀疏性限制，结合Ada‑grad学习策略不断调节当前学习率的参数使其达到最优，从而达到一种快收敛，高精度的分类效果。最后通过与传统的自动编码机在轴承故障分类上进行对比，从而验证本发明的有效性和鲁棒性强的特点。

公开(公告)号：CN109299727A

公开(公告)日：2019-02-01

申请号：CN201810880925.8

申请日：2018-08-04

Applicant: 辽宁大学

Inventor： 张利 ,  郭炜儒 ,  张皓博 ,  高欣 ,  邱存月 ,  周佳宁 ,  王军

IPC: G06K9/62

Abstract: 一种信息重构的改进极限学习机故障诊断方法，其步骤如下：1)采集信号；2)信号处理；3)特征提取；4)故障诊断划分；本发明基于排列熵(PE)思想，提出加权排列熵(WPE)思想，通过对普通排列熵的熵值特征加权，将特征信息变得更敏感，能够很好的呈现特征信息的变化，为特征选择提供了基础。此外，提出了一种基于Filter-Wrapper(过滤-包裹)法对特征进行有效甄别，通过不断调整网络的输出权重来达到误差最小化，使极限学习机输出结果的误差达到最小,并与传统极限学习机进行结果对比，以此验证本发明的有效性。

公开(公告)号：CN117606799A

公开(公告)日：2024-02-27

申请号：CN202310454965.7

申请日：2023-04-25

Applicant: 辽宁大学

Inventor： 丁琳琳 ,  李红升 ,  王作欣 ,  张利 ,  张皓博

IPC: G01M13/045 ,  G06F18/24 ,  G06N3/045 ,  G06N3/084 ,  G06N3/088

Abstract: 一种自注意低通滤波器的无监督轴承故障诊断方法，包括以下步骤：1)获取轴承振动信号；2)构建自注意低通滤波器；3)信号增强处理；4)轴承故障诊断；5)微调模型；6)实际应用。本发明设计并实现一种自注意低通滤波器的无监督轴承故障诊断方法。根据无监督模型依赖代理任务的特性，结合信号处理知识，引入巴特沃斯滤波器替代传统代理任务。并将自注意力机制融入巴特沃斯滤波器构建自注意低通滤波器，以此解决传统无监督模型时序性分析能力弱的问题。通过改进后的自注意低通滤波器对信号进行增强后输入模型进行训练。在与传统的无监督代理任务的对比实验中验证了本发明的高效性及鲁棒性。

公开(公告)号：CN111024433A

公开(公告)日：2020-04-17

申请号：CN201911389339.4

申请日：2019-12-30

Applicant: 辽宁大学

Inventor： 张利 ,  王海威 ,  李静 ,  侯晴 ,  王溟晗 ,  张皓博 ,  张大波

IPC: G01M99/00 ,  G01M13/045 ,  G06N3/00

Abstract: 一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法，基本步骤如下：(1)信号采样；(2)降噪处理；(3)特征提取；(4)数据归一化处理；(5)工业装备健康状态检测。本发明一种改进灰狼算法优化支持向量机的工业装备健康状态检测方法，通过使用差分灰狼算法优化支持向量机的惩罚因子C和核函数系数g，从而提高支持向量机性能。本发明采用实测机器核心轴承数据作为训练装备健康状态检测模型的数据集。在装备健康状态检测模型构建模块中，训练中的样本集采用预处理后的特征向量并运用经差分灰狼算法优化的SVM方法训练装备健康状态检测模型。改进的工业装备健康状态检测模型提高了故障分类的准确率。

公开(公告)号：CN110119778A

公开(公告)日：2019-08-13

申请号：CN201910388452.4

申请日：2019-05-10

Applicant: 辽宁大学

Inventor： 张利 ,  肖雪冬 ,  郭炜儒 ,  王青松 ,  张皓博 ,  王彦捷

IPC: G06K9/62 ,  G06N3/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种改进鸡群优化RBF神经网络的设备健康状态检测方法，基本步骤如下：(1)信号采样；(2)降噪处理；(3)特征提取；(4)数据归一化处理；(5)设备健康状态检测。本发明提出了一种改进鸡群优化RBF神经网络模型，使用智能寻优方法找到最优的中心向量，从而提高RBF网络的性能。针对鸡群算法在一定程度上易陷入局部最优的问题，采用改进鸡群结合混沌搜索策略优化初始种群，同时对使用度值高的小鸡通过成长操作来代替一部分公鸡粒子，从而尽可能解决陷入局部最优的问题。

公开(公告)号：CN111626361B

公开(公告)日：2023-08-11

申请号：CN202010466928.4

申请日：2020-05-28

Applicant: 辽宁大学

Inventor： 张利 ,  王溟晗 ,  邱存月 ,  张皓博 ,  王军

IPC: G06F18/2415 ,  G06N3/082 ,  G06F18/10

Abstract: 一种改进胶囊网络优化分层卷积的轴承亚健康识别方法，首先提出多输入分层的CNN，将数据输入到三个并行的不同大小的卷积核中处理，多角度的提取信号中的亚健康信息。然后将卷积后的结果输入到改进的胶囊网络进行亚健康识别，改进的胶囊网络采用修剪机制，根据阈值修剪耦合系数，同时使用参数修正的动态路由更新方法，确保动态路由的更新过程更加准确、稳定。最后得到实测的轴承数据。通过本发明方法能正确识别轴承数据的状态。

公开(公告)号：CN116558825A

公开(公告)日：2023-08-08

申请号：CN202310461787.0

申请日：2023-04-26

Applicant: 辽宁大学

Inventor： 张利 ,  顾士兴 ,  丁琳琳 ,  罗浩 ,  张皓博

IPC: G01M13/045 ,  G06F18/10 ,  G06F18/25 ,  G06V10/774 ,  G06V10/764 ,  G06F18/24

Abstract: 一种改进MHSA双路径特征融合的小样本故障诊断方法，步骤如下：(1)信号采集；(2)数据处理；(3)特征学习；(4)故障分类。在实际工业生产中经常面临信号稀缺问题，为了在有限的训练样本中充分学习振动信号中的时域信息，我们先后对振动信号的时域信息提取两次，首先经过CWT得到具有时频信息的时频图，然后将时频图放入改进的MHSA中进行第二次的时域信息提取，再送入双路径特征融合中提取振动信号的局部信息和全局信息实现故障分类。我们在PT300滚动轴承实验台进行了对比试验来评估该方法的诊断性能。结果表明，本发明所提出方法的在噪声环境下诊断精度和稳定性要优于传统深度学习和机器学习的故障诊断模型。

公开(公告)号：CN110348468B

公开(公告)日：2023-01-20

申请号：CN201910388451.X

申请日：2019-05-10

Applicant: 辽宁大学

Inventor： 张利 ,  周佳宁 ,  孙军 ,  岳承军 ,  张皓博 ,  邱存月

IPC: G06F18/2411 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/08 ,  G01M13/045

Abstract: 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法，包括以下步骤：(1)信号采样；(2)降噪处理；(3)特征提取；(4)故障诊断划分；(5)机械设备状态诊断。本发明使用两种核函数权重相加的方式代替原来单一核函数单独作用，改进相关向量机。在Fisher准则和最大熵准则共同作用下求解输入样本映射到特征空间中的方差，确定核函数权重系数。由求得的权重系数，初始化参数，估计超参数，最后得到滚动轴承亚健康识别分类。本发明解决边缘降噪自动编码器约束条件有限、数据压缩能力弱、重构误差大，特征数据表达能力弱的问题，提出了一种了识别准确率高的一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法。