公开(公告)号：CN116952583A

公开(公告)日：2023-10-27

申请号：CN202310310421.3

申请日：2023-03-27

Applicant: 哈尔滨市滨奇科技发展有限公司 ,  哈尔滨理工大学

Inventor： 吴彦波 ,  金家兴 ,  王玉静 ,  康守强 ,  梁欣涛 ,  孙宇林

IPC: G01M13/045 ,  G06F30/17 ,  G06F30/23 ,  G06F30/27 ,  G06T17/20 ,  G06F18/214 ,  G06F18/241 ,  G06F18/25 ,  G06N3/0475 ,  G06N3/048 ,  G06N3/094 ,  G06N3/096 ,  G06F111/04 ,  G06F119/14

Abstract: 一种数字孪生驱动深度迁移学习模型的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域，为了解决针对不同工况下滚动轴承源域样本数据标签获取困难、样本量较少，且目标域样本数据标签缺失的问题而提出。该方法以深沟球轴承作为研究对象建立三维模型，通过有限元分析软件及显式动力学算法进行动力学分析，根据加速度探测位置对模型进行仿真计算，获得滚动轴承故障孪生数据；其次，引入基于Wasserstein距离的生成对抗网络，并提出使用梯度惩罚项对其进行改进，减小孪生数据与真实数据之间的分布差异，实现特征融合；最后，利用迁移学习的思想，引入全局注意力机制对残差网络进行改进，利用多核最大均值差异对源域和目标域所提取的特征进行域适应处理，实现无标签目标域样本数据的迁移学习，最终建立基于数字孪生的滚动轴承故障诊断智能模型。实验验证，所提方法可有效解决不同工况下轴承带标签样本缺失的问题，且对于滚动轴承故障诊断准确率有显著提升。

公开(公告)号：CN112101220B

公开(公告)日：2023-03-03

申请号：CN202010971076.4

申请日：2020-09-15

Applicant: 哈尔滨理工大学

Inventor： 康守强 ,  邢颖怡 ,  王玉静 ,  王庆岩 ,  梁欣涛 ,  康成璐

IPC: G06F18/213 ,  G06F18/23 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/088

Abstract: 一种无监督模型参数迁移的滚动轴承寿命预测方法，属于滚动轴承状态识别及剩余寿命预测技术领域。本发明针对实际中某种工况滚动轴承带标签振动数据获取困难，健康指标难以构建及寿命预测误差大的问题而提出的。该方法首先对滚动轴承全寿命周期振动数据提取均方根特征，并引入新的自下而上时间序列分割算法将特征序列分割为正常期、退化期和衰退期3种状态；对振动信号经快速傅里叶变换后的幅值序列进行状态信息标记，并作为改进全卷积神经网络的输入，提取深层特征，经训练构建源域模型和微调后的状态识别模型，实现滚动轴承多状态识别；利用状态概率估计法建立滚动轴承寿命预测模型。实验验证，所提方法无需构建健康指标，可实现无监督条件下不同工况滚动轴承状态识别和寿命预测，并获得较好的效果。

公开(公告)号：CN111680446B

公开(公告)日：2022-11-15

申请号：CN202010032285.2

申请日：2020-01-11

Applicant: 哈尔滨理工大学

Inventor： 王玉静 ,  王诗达 ,  康守强 ,  康成璐 ,  谢金宝 ,  王庆岩

IPC: G06K9/62 ,  G06K9/00 ,  G01M13/045

Abstract: 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法，属于滚动轴承剩余寿命预测领域，解决现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题。首先对由快速傅里叶变换得到的滚动轴承频域信号进行迭代计算，得到迭代特征。将多粒度级联森林中的多粒度扫描结构替换为卷积神经网络，利用卷积神经网络提取迭代特征的深层特征，并构建性能退化特征集。然后对可实现GPU并行加速的单一CatBoost模型进行集成，引入决定系数R2构建CasCatBoost结构以提高模型的表征能力，选取模型最后一个级联层的平均寿命百分比p表示输出。最后运用一次函数对p进行拟合，预测出轴承的剩余寿命。本方法具有较高的运算效率和预测精度。

公开(公告)号：CN109726524B

公开(公告)日：2022-11-01

申请号：CN201910162042.8

申请日：2019-03-01

Applicant: 哈尔滨理工大学

Inventor： 王玉静 ,  康守强 ,  李少鹏 ,  谢金宝 ,  王庆岩

IPC: G06F30/20 ,  G06K9/00 ,  G06N3/04 ,  G01M13/04 ,  G06F119/04

Abstract: 一种基于CNN和LSTM的滚动轴承剩余使用寿命预测方法，涉及滚动轴承寿命预测领域。针对滚动轴承存在性能退化渐变故障和突发故障两种模式下其剩余使用寿命(RUL)预测困难的问题，该方法首先对滚动轴承原始振动信号作FFT变换，然后将预处理所得到的频域幅值信号进行归一化处理后，并将其作为CNN的输入。利用CNN自动提取数据局部抽象信息以挖掘深层特征，避免传统特征提取方法过于依赖专家经验的问题。之后再将深层特征输入到LSTM网络中，构建趋势性量化健康指标，同时确定失效阈值。最后，运用移动平均法进行平滑处理，消除局部振荡，再利用多项式曲线拟合，预测未来失效时刻，实现滚动轴承RUL预测。预测结果能够较好地接近真实寿命值。

公开(公告)号：CN114861349A

公开(公告)日：2022-08-05

申请号：CN202210429223.4

申请日：2022-04-22

Applicant: 哈尔滨理工大学

Inventor： 王玉静 ,  李达 ,  康守强 ,  梁欣涛 ,  谢金宝 ,  王庆岩 ,  孙宇林

IPC: G06F30/17 ,  G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06F111/04 ,  G06F111/08

Abstract: 一种基于模型迁移和维纳过程的滚动轴承RUL预测方法，涉及滚动轴承使用寿命预测技术领域，用以解决使用寿命百分比作为标签难以准确描述滚动轴承退化过程以及不同工况情况下轴承寿命预测准确率不高的问题。本发明的技术要点包括：提取某工况下全寿命滚动轴承的各振动统计特征，利用单层NCAE网络与SOM网络构建健康指标模型，使用健康指标对滚动轴承频域幅值序列进行标记；使用源域数据训练结合深度NCAE网络与前馈神经网络FNN的组合网络得到预训练模型；利用目标域数据微调，得到滚动轴承性能退化模型，利用性能退化指标量化值的增量建立维纳过程模型，实现不同工况下滚动轴承的RUL预测。本发明适用于对滚动轴承剩余使用寿命的预测技术中。

公开(公告)号：CN109902399B

公开(公告)日：2022-07-19

申请号：CN201910162041.3

申请日：2019-03-01

Applicant: 哈尔滨理工大学

Inventor： 梁欣涛 ,  康守强 ,  李艺伟 ,  王玉静 ,  王庆岩

IPC: G06F30/17 ,  G01M13/04 ,  G06N3/04

Abstract: 一种基于ATT‑CNN的变工况下滚动轴承故障识别方法，涉及滚动轴承故障识别技术。为了解决现有的变工况下滚动轴承故障识别方法针对复杂分类问题其泛化能力受到一定制约的问题。首先，通过卷积神经网络(CNN)将振动数据映射到非线性空间域，并利用其对输入信号的微小位移、缩放及其他扭曲形式具有不变性的特点，自适应提取变工况下滚动轴承故障特征；其次，提出将注意力机制(ATT)思想融入CNN结构中，进一步提高变工况下轴承振动特征的敏感性；同时通过数据增强方法获得更加丰富多样的训练样本，使得网络得到更充分地学习，提高了鲁棒性。所提出的基于注意力机制CNN(ATT‑CNN)故障诊断模型可实现变工况下的滚动轴承多状态识别与分类，并与其他方法比较，可获得更高的准确率。

公开(公告)号：CN112183667B

公开(公告)日：2022-06-14

申请号：CN202011199000.0

申请日：2020-10-31

Applicant: 哈尔滨理工大学

Inventor： 王玉静 ,  王卓 ,  康守强 ,  王庆岩 ,  谢金宝 ,  梁欣涛 ,  康成璐

IPC: G06V10/774 ,  G06V10/26 ,  G06V10/44 ,  G06V10/762 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06N20/20

Abstract: 一种协同深度学习的绝缘子故障检测方法，属于绝缘子故障检测技术领域，用以解决由于航拍图像中绝缘子背景复杂导致绝缘子故障区域的定位及检测精度受到影响的问题。本发明的技术要点在于，以跳跃结构构建FCN‑8s模型，基于FCN算法完成绝缘子图像分割，有效完成了滤除背景的目的；使用随机性更小的K‑means++聚类算法对绝缘子数据集聚类分析，优化YOLOv3算法的初始锚点框参数，进一步提高目标检测模型的定位及检测精度；本发明构建协同FCN和YOLOv3算法的绝缘子故障检测模型，经实验对比，相比于原始YOLOv3算法有效降低了误检与漏检概率，所对比的各项评价指标均有显著提升，有助于工程上综合安全性和经济性的因素考虑做出合理应对。

公开(公告)号：CN113723492A

公开(公告)日：2021-11-30

申请号：CN202110978295.X

申请日：2021-08-25

Applicant: 哈尔滨理工大学

Inventor： 王庆岩 ,  陈萌 ,  梁欣涛 ,  王玉静 ,  康守强

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 一种改进主动深度学习的高光谱图像半监督分类方法及装置，涉及遥感图像处理技术领域，用以解决现有高光谱图像分类方法中存在的小样本情况下人工标记花费时间过长且分类效果不佳的问题。本发明的技术要点包括：利用有标签样本训练卷积神经网络，并利用卷积神经网络对无标签样本进行类别概率预测；根据预测的类别概率，利用主动学习策略计算获得其中信息量最大的无标签样本；引入随机多图算法对无标签样本进行标记，在伪标签候选池中寻找信息量大的样本作为新样本，将新样本加入训练集，对卷积神经网络的分类模型不断进行微调。本发明在降低标记成本的同时可以提高模型在小样本数据集上的分类性能，可应用于标签样本稀缺的高光谱遥感图像分类之中。

公开(公告)号：CN109510699B

公开(公告)日：2021-11-09

申请号：CN201811539746.4

申请日：2018-12-14

Applicant: 哈尔滨理工大学

Inventor： 王庆岩 ,  陈威威 ,  吴晨晨 ,  康守强 ,  谢金宝 ,  王玉静

IPC: H04L9/00

Abstract: 一种六维离散超混沌系统及六维离散超混沌信号发生器，属于混沌信号发生器设计领域。解决现有混沌系统在数字域中抗退化能力差、安全性低以及连续时间混沌系统需要经过离散化才能在FPGA等数字器件中实现等问题。六维离散超混沌系统由六个离散状态方程产生，用于输出六组混沌序列；六维离散超混沌信号发生器包括电源单元、时钟单元、复位单元、用于生成六维离散超混沌系统的FPGA数字电路单元、下载单元和输出端口。由于该混沌信号发生器具有六个较大的正李氏指数，产生的信号非线性程度更大，信号变量的时间序列更加不可预测，并且多个信号变量和系统参数使密钥空间更大，将其应用于保密通信和图像加密领域可以大大增强系统的安全性，提高通信的保密性。

公开(公告)号：CN110346142B

公开(公告)日：2021-06-29

申请号：CN201910680524.2

申请日：2019-07-25

Applicant: 哈尔滨理工大学

Inventor： 康守强 ,  邹佳悦 ,  王玉静 ,  王庆岩 ,  梁欣涛 ,  谢金宝

IPC: G01M13/045 ,  G06K9/00 ,  G06K9/62

Abstract: 一种基于无监督特征对齐的变负载下滚动轴承故障诊断方法，属于滚动轴承故障诊断领域。针对滚动轴承实际工作中缺少某种负载数据，使得源领域数据与目标领域数据属于不同分布以及目标领域样本不含标签的问题。利用变分模态分解结合奇异值分解获取振动信号的时频特征，再结合振动信号时域、频域特征构建多域特征集；引入迁移学习中能够实现无监督领域适应的子空间对齐算法并进行改进，将核映射方法与SA算法相结合。将训练数据和测试数据映射到相同高维空间，在高维空间的子空间进行特征对齐，实现不同负载下源领域特征向目标领域特征对齐。在目标领域无标签的情况下，利用滚动轴承已知负载数据识别出其他负载数据对应的状态，具有较高的故障诊断准确率。