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

Inventor： 李学艺 ,  何秋实 ,  郁天宇 ,  李岱优 ,  解志杰

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

Inventor： 李学艺 ,  蒋恩发 ,  苏凯宇 ,  李岱优 ,  解志杰

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

Inventor： 李学艺 ,  郁天宇 ,  李岱优 ,  何秋实 ,  解志杰

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。

公开(公告)号：CN115905976A

公开(公告)日：2023-04-04

申请号：CN202211412586.3

申请日：2022-11-11

Applicant: 东北林业大学

Inventor： 李学艺 ,  苏凯宇 ,  何秋实 ,  王相凯 ,  解志杰

IPC: G06F18/2415 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/047 ,  G06N3/08 ,  G01M13/045

Abstract: 基于注意力机制的Highway Bi‑LSTM轴承故障诊断方法、系统及设备，涉及机械故障诊断领域。本发明是为了解决现有轴承故障诊断方法还存在由于无法提取逆时域序列特征、对关键特征关注不足、训练层过多难以收敛导致的故障诊断准确率低的问题。本发明包括：获得待诊断的轴承原始振动信号，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：获取轴承原始振动信号，并将轴承原始振动信号分为训练集和测试集；构建Highway Bi‑LSTM网络：Bi‑LSTM网络、注意力机制、Highway层、全连接层、softmax分类器；利用训练集训练Highway Bi‑LSTM网络；利用测试集测试训练好的Highway Bi‑LSTM网络，获得轴承故障诊断网络。本发明用于轴承的故障诊断。