-
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：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：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
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。
-
公开(公告)号：CN117932431A
公开(公告)日：2024-04-26
申请号：CN202410098688.5
申请日：2024-02-28
Applicant: 东北林业大学
IPC: G06F18/241 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/088
Abstract: 本发明公开了一种基于多尺度扩展的残差神经网络方法。首先，采用多尺度特征残差神经网络来提取旋转机械振动信号的特征，同时使用数据增强方法增强模型的泛化能力，将信号分解为多个不同尺度的子信号，并在每个尺度上提取局部特征，然后使用残差连接来组合这些局部特征以得到全局特征表示；其次，本文构建了最大均值差异与极小化熵边界，以适应两个域之间的差异。该方法使用多个核函数计算不同尺度下数据之间的距离，并将这些距离进行组合来得到一个综合的度量。通过使用最大均值差异与极小化熵边界方法，可以更加准确地判断不同尺度下的信号是否属于同一类别，从而提高了诊断的准确性和鲁棒性。本发明将这种方法应用于无监督跨域故障诊断任务，并取得了良好的诊断性能。
-
公开(公告)号：CN114955922B
公开(公告)日：2022-10-25
申请号：CN202210918717.9
申请日：2022-08-02
Applicant: 东北林业大学
Abstract: 本发明公开了一种机械设备故障维修用吊装装置，包括底座、升降架、起重装置、微阻力旋转组件和非对称式夹紧装置，所述升降架设于底座上，所述起重装置设于升降架上，所述微阻力旋转组件活动设于升降架上，所述非对称式夹紧装置设于微阻力旋转组件上；所述微阻力旋转组件包括外圈体、电磁圈一、电磁圈二、旋转轴一、磁芯轴、滑块和限位板组件。本发明涉及机械设备维修辅助装置，具体是指一种能够对各种形状的机械设备进行充分夹持、在维修时可以对机械设备调整角度、并且在机械设备失速掉落时能够迅速使机械设备停止下落的机械设备故障维修用吊装装置。
-
Patent Agency Ranking
公开(公告)号：CN118965104A
公开(公告)日：2024-11-15
申请号：CN202410992892.1
申请日：2024-07-24
Applicant: 东北林业大学
IPC: G06F18/241 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/0455 , G01M13/045
Abstract: 本发明公开了一种新型故障诊断框架，即MFSFormer，包括多尺度卷积模块、Fuse‑Shuffle注意力模块和模型架构。所述新型故障诊断框架包括三个部分，所述多尺度卷积模块集成多个具有不同大小内核的卷积层作为嵌入模块来代替传统Transformer中的嵌入模块和位置编码模块。所述Fuse‑Shuffle注意力模块，通过对输入信号进行分组并分支，来计算生成注意力映射。所述MFSFormer架构是由一个输入层，特征提取层和一个输出层组成。其中输入层由池化层、卷积层和批归一化组成。本发明开发的方法在噪音环境下更具鲁棒性，在样本有限的条件下具有更好的诊断性能。该方法适用性广泛，能应用到更加复杂的工程实践中。
-
公开(公告)号：CN118913696A
公开(公告)日：2024-11-08
申请号：CN202410988548.5
申请日：2024-07-23
Applicant: 东北林业大学
IPC: G01M13/045 , G06N3/0464 , G06N3/096
Abstract: 本发明提出一种基于BI‑三明治模型和MMSD算法的航空发动机主轴轴承迁移学习故障诊断方法，应用迁移学习域自适应解决了航空发动机主轴轴承的跨域诊断问题，提出一种新的BI‑三明治模型架构，大三明治模型包含对信号初步处理的输入层、特征提取和关注关键特征中间层、和综合分类信息的输出层。三个串联的集合CNN和Transformer的层构成了中间层的小三明治模块。引入均方值这一二阶统计量，构建了最大均方差异度量进行不同域之间差异度量，将其值嵌入损失中，最小化损失的同时缩小域偏移。
-
公开(公告)号：CN118776881A
公开(公告)日：2024-10-15
申请号：CN202411059473.9
申请日：2024-08-04
Applicant: 东北林业大学
IPC: G01M13/04 , G01M13/045
Abstract: 基于多源信号融合的CA‑Transformer轴承故障诊断方法，本发明用于多源信号融合的轴承故障诊断。本发明是为了解决现有轴承故障诊断方法难以准确充分提取故障特征的问题，以及现有的故障诊断方法在复杂数据的训练效率和准确性上都存在一些缺陷。本发明包括：获得待诊断的多源轴承原始振动信号，将待诊断的多源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分类诊断结果；CA‑Transformer多源信号融合的故障诊断网络通过以下方式获得：构建基于CA‑Transformer网络框架：由输入阶段、CA‑Transformer阶段和分类阶段组成，在输入阶段，将原始信号数据处理为嵌入向量，CA‑Transformer阶段，基于Transformer网络和交叉注意力机制融合特征，在分类阶段，进一步通过线性层和Softmax层进行分类。
-
公开(公告)号：CN118410411A
公开(公告)日：2024-07-30
申请号：CN202410218139.7
申请日：2024-02-28
Applicant: 东北林业大学
IPC: G06F18/2415 , G01M13/045 , G06F18/213 , G06N3/0464 , G06N3/096 , G06N3/045
Abstract: 一种基于多尺度空洞注意力机制的ConvNeXt迁移学习齿轮故障诊断方法，涉及旋转机械故障诊断领域。本发明包括：获得待诊断的跨域齿轮原始振动信号，将其输入到齿轮故障诊断网络中获得齿轮故障严重性诊断结果；齿轮故障诊断网络通过以下方式获得：获取不同工况下的原始振动信号，并将原始振动信号分为源域训练集、源域验证集、目标域测试集；构建基于多尺度空洞注意力机制的ConvNeXt迁移学习网络：由扩张卷积ConvNeXt模块、多尺度空洞注意力模块、Softmax分类器、CKMMD模块等组成；利用训练集、验证集、测试集分别训练、验证、测试所构建的网络，获得齿轮故障诊断网络。本发明用于齿轮跨域故障诊断。
-
公开(公告)号：CN118294142A
公开(公告)日：2024-07-05
申请号：CN202410392007.6
申请日：2024-04-02
Applicant: 东北林业大学
IPC: G01M13/045 , G06F18/2415 , G06F18/2431 , G06F18/25 , G06N3/0464
Abstract: 基于融合注意力机制与增强卷积层的AT‑ICNN的故障诊断方法，涉及机械故障诊断领域。本发明视为了解决现有轴承故障诊断方法忽略了对信号特征突出性和全局信息的捕获能力的重要性。本发明包括：获得待诊断的跨域轴承原始振动信号，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：获取不同工况下的原始振动信号，并将轴承原始振动信号分为训练集、测试集；构建AT‑ICNN网络：增强卷积层、AT‑ICNN网络、融合注意力层、Batch Normalization层、池化层、全连接层、ReLU分类器；利用训练集训练AT‑ICNN网络：利用测试集测试训练好的AT‑ICNN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
24
records
(took 0.031 seconds)
