-
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：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。
-
Patent Agency Ranking
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。
-
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：CN117932430A
公开(公告)日：2024-04-26
申请号：CN202410097265.1
申请日：2024-01-24
Applicant: 东北林业大学
IPC: G06F18/241 , G06F18/214 , G06N3/0499 , G06N3/0464
Abstract: 本发明公开了一种将卷积与自注意力综合在迁移学习中的轴承故障诊断方法，其核心是提出了一个名为UniFormer的模型架构，由三个核心模块组成，即动态位置嵌入(DPE)、多头关系聚合器(MHRA)和前馈网络(FFN)，它结合了Transformer和CNN模型的优点。具体来说，首先，通过扩展条件位置编码(CPE)设计DPE，其次在UniFormer模型中设计了具有不同浅层和深层结构的多头关系聚合器，浅层聚合器使用一个小的可学习矩阵来学习局部关系，深层聚合器通过比较来学习全局关系；随后由两个线性层组成的FFN来分别增强每个标记，完成一个UniFormer模块的搭建；再次，以分层的方式逐步整合UniFormer模块来构建模型；最后，将最初在源域(SD)训练的模型应用到目标域(TD)进行故障诊断，并且采用JMMD(Joint Maximum Mean Discrepancy)方法来缩小SD与TD之间的分布差异，弥补源域和目标域的间隙，提高跨域轴承故障诊断的准确性。
-
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。
-
-
-
-
-
-
-
Search Results
18
records
(took 0.021 seconds)
