公开(公告)号：CN109297712A

公开(公告)日：2019-02-01

申请号：CN201811302014.3

申请日：2018-11-02

Applicant: 东南大学

Inventor： 贾民平 ,  鄢小安 ,  许飞云 ,  胡建中 ,  黄鹏 ,  佘道明

IPC: G01M13/045 ,  G06K9/00

Abstract: 本发明公开了一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法，在轴承附近安装加速度传感器采集轴承振动信号，确定结构元素尺度的初始范围；在每个结构元素尺度处对轴承振动信号进行形态顶帽乘积滤波，获得多个尺度下的形态学滤波结果；计算每个尺度下形态学滤波结果的三阶累计量对角切片和对角切片谱，获得多个尺度下的三阶累计量对角切片和对角切片谱；计算每个尺度下对角切片谱的故障特征比，根据最大故障特征比准则确定最优尺度下的对角切片谱；从最优尺度对角切片谱中提取轴承故障特征信息，实现轴承故障类型的准确判别。本发明简单易行，克服了传统多尺度形态学分析的缺点，能够提高轴承故障诊断精度。

公开(公告)号：CN111695209B

公开(公告)日：2022-11-15

申请号：CN202010401773.6

申请日：2020-05-13

Applicant: 东南大学

Inventor： 贾民平 ,  丁鹏 ,  赵孝礼 ,  佘道明 ,  黄鹏 ,  胡建中 ,  许飞云

IPC: G06F30/17 ,  G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06N20/00 ,  G01M13/00 ,  G01M13/045 ,  G06F119/04

Abstract: 本发明公开了元深度学习驱动的旋转机械小样本健康评估方法，具体步骤如下：首先对旋转机械预处理后的振动信号提取时频图及时、频域特征作为退化特征量；接着进一步通过无监督域自适应方法提取不同域间可迁移退化指标；在此基础上划分不同子任务并对卷积网络与循环网络进行基于梯度反向传递的参数求解，构建两种不同基础模型的元深度学习预测方法实现不同退化指标的小样本评估；最后聚合不同学习子任务实现跨任务间的模型参数求解、寻优，为推广、泛化至未知数据集提供元深度学习评估代理模型。该方法首次将元学习思想引入旋转机械健康评估、管理领域，极大削弱了工况差异以及样本稀少对传统机器学习模型泛化能力带来的冲击。

公开(公告)号：CN110514444B

公开(公告)日：2021-04-06

申请号：CN201910504140.5

申请日：2019-06-12

Applicant: 东南大学

Inventor： 贾民平 ,  杨诚 ,  许飞云 ,  胡建中 ,  黄鹏 ,  佘道明 ,  赵孝礼

IPC: G01M13/045

Abstract: 本发明涉及一种基于变分模态分解和相空间平行因子分析的滚动轴承微弱故障特征提取方法，包括以下步骤：利用振动传感器采集滚动轴承振动信号，得到微弱故障信号x(t)；设置惩罚因子α、分解层数K，对振动信号进行变分模态分解，得到相应本征模态函数分量；依据峭度准则，选取峭度最大的本征模态函数分量作为最优分量；对最优分量进行相空间平行因子分析，在高维相空间中得到至少一个独立分量；从第四步中得到的至少一个独立分量中选取峭度最大的独立分量进行包络谱分析，并得到故障特征频率；本发明有效提取故障特征频率，实现滚动轴承故障类型的准确识别。

公开(公告)号：CN111695209A

公开(公告)日：2020-09-22

申请号：CN202010401773.6

申请日：2020-05-13

Applicant: 东南大学

Inventor： 贾民平 ,  丁鹏 ,  赵孝礼 ,  佘道明 ,  黄鹏 ,  胡建中 ,  许飞云

IPC: G06F30/17 ,  G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06N20/00 ,  G01M13/00 ,  G01M13/045 ,  G06F119/04

Abstract: 本发明公开了元深度学习驱动的旋转机械小样本健康评估方法，具体步骤如下：首先对旋转机械预处理后的振动信号提取时频图及时、频域特征作为退化特征量；接着进一步通过无监督域自适应方法提取不同域间可迁移退化指标；在此基础上划分不同子任务并对卷积网络与循环网络进行基于梯度反向传递的参数求解，构建两种不同基础模型的元深度学习预测方法实现不同退化指标的小样本评估；最后聚合不同学习子任务实现跨任务间的模型参数求解、寻优，为推广、泛化至未知数据集提供元深度学习评估代理模型。该方法首次将元学习思想引入旋转机械健康评估、管理领域，极大削弱了工况差异以及样本稀少对传统机器学习模型泛化能力带来的冲击。