公开(公告)号：CN106980822B

公开(公告)日：2019-04-05

申请号：CN201710148872.6

申请日：2017-03-14

Applicant: 北京航空航天大学

Inventor： 吕琛 ,  王振亚 ,  马剑 ,  周博

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/08 ,  G06F17/14

Abstract: 本发明公开了一种基于选择性集成学习的旋转机械故障诊断方法，包括：对已知输入信号进行预处理，得到训练序列；利用Bagging算法对所述训练序列进行处理，生成一系列差异化的基学习机；通过选择性集成学习，对所述一系列差异化的基学习机进行优选，得到训练好的PSOSEN模型；利用训练好的PSOSEN模型进行旋转机械故障诊断。本发明解决了现有技术中存在的难于从一系列分类器中选出性能较好的分类器的难题。

公开(公告)号：CN107797067A

公开(公告)日：2018-03-13

申请号：CN201710341928.X

申请日：2017-05-16

Applicant: 北京航空航天大学 ,  宁德时代新能源科技股份有限公司

Inventor： 马剑 ,  赵万琳 ,  吕琛 ,  王振亚 ,  苏育专 ,  种晋 ,  金海族 ,  林永寿

IPC: G01R31/36

Abstract: 本发明提出一种新的锂离子电池寿命迁移预测方法：首先，建立同温度同倍率不同配方电池的容量退化数据库；其次，确定好目标电池后，通过相似性度量选择出与目标电池容量退化规律相似的电池；最后，基于深度学习方法开展跨配方电池寿命迁移预测，实现目标电池的剩余循环寿命预测。同时，考虑经济性目标和电池寿命退化的不可逆转性，优化设计电池循环寿命试验，节省电池试验设计。该方法能够针对锂离子电池实现准确的剩余寿命预测，大幅度地减少研发阶段寿命试验的试验时间和试验量，缩短新产品研发周期，降低研发阶段费用，有效提高了系统的可靠性和安全性。

公开(公告)号：CN104819846B

公开(公告)日：2017-03-22

申请号：CN201510169697.X

申请日：2015-04-10

Applicant: 北京航空航天大学

Inventor： 吕琛 ,  马剑 ,  李连峰 ,  王振亚 ,  丁宇 ,  赵万琳

IPC: G01M13/04

Abstract: 本发明公开了一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法，该方法首先使用智能手机采集滚动轴承故障声音信号，然后对声音信号进行短时傅里叶分析，得到语谱图矩阵，接着获取矩阵的模值并进行灰度归一化处理，再将归一化后的数据经选取后输入到深度学习网络进行特征的自动提取，最后将神经网络提取的特征输入Softmax分类器进行故障模式的识别。本发明提出了基于智能手机声音信号短时傅里叶变换(STFT)和层叠自动编码器(SAE)深度学习网络的滚动轴承故障诊断方法，试验结果分析表明，该方法能够准确地诊断出滚动轴承的故障模式。

公开(公告)号：CN104819846A

公开(公告)日：2015-08-05

申请号：CN201510169697.X

申请日：2015-04-10

Applicant: 北京航空航天大学

Inventor： 吕琛 ,  马剑 ,  李连峰 ,  王振亚 ,  丁宇 ,  赵万琳

IPC: G01M13/04

Abstract: 本发明公开了一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法，该方法首先使用智能手机采集滚动轴承故障声音信号，然后对声音信号进行短时傅里叶分析，得到语谱图矩阵，接着获取矩阵的模值并进行灰度归一化处理，再将归一化后的数据经选取后输入到深度学习网络进行特征的自动提取，最后将神经网络提取的特征输入Softmax分类器进行故障模式的识别。本发明提出了基于智能手机声音信号短时傅里叶变换(STFT)和层叠自动编码器(SAE)深度学习网络的滚动轴承故障诊断方法，试验结果分析表明，该方法能够准确地诊断出滚动轴承的故障模式。