公开(公告)号：CN119783565A

公开(公告)日：2025-04-08

申请号：CN202510285952.0

申请日：2025-03-12

Applicant: 燕山大学

Inventor： 李继猛 ,  杨碧馨 ,  钟赛 ,  张金凤 ,  孟宗

IPC: G06F30/27 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/098 ,  G06N3/094 ,  G06V10/764 ,  G06F119/04

Abstract: 本发明公开了一种基于个性化联邦学习的滚动轴承剩余寿命预测方法，属于滚动轴承剩余寿命预测领域，该方法将不同运行工况下采集到的滚动轴承全生命周期振动数据存储于多个客户端，一个服务器与多个客户端协同工作，为客户端建立个性化预测模型。在服务器端采用动态加权联邦聚合策略将多个客户端聚合成一个全局模型，提升聚合全局模型对多工况数据的感知能力；在客户端采用对抗训练和自适应融合策略，将服务器聚合的全局模型与本地模型进行有效融合，提升本地模型的泛化能力。客户端本地模型采用多尺度卷积与门控循环单元并行交叉注意特征提取模块，以捕获数据中的时空特征信息。本发明能够提升不同工况下滚动轴承的剩余寿命预测精度和泛化性能。

公开(公告)号：CN117932216A

公开(公告)日：2024-04-26

申请号：CN202410112965.3

申请日：2024-01-26

Applicant: 燕山大学

Inventor： 李继猛 ,  王玮 ,  高杰 ,  钟赛 ,  张金凤 ,  孟宗

IPC: G06F18/00 ,  G06F18/10 ,  G06F18/25 ,  G06F18/2415 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06F123/02

Abstract: 本发明公开了一种基于多任务学习的旋转机械复合故障诊断方法，涉及旋转机械故障诊断技术领域。该方法包括如下步骤：S1、采集旋转机械在不同健康状态下运行时的原始振动信号；S2、将采集到的原始振动信号利用滑动窗进行重叠分割来构造样本数据集，并采用变分模态分解和希尔伯特黄变换将样本数据集中的每个样本数据转换为时频图，进而构造训练数据集和测试数据集；S3、利用训练数据集对复合故障多任务诊断模型进行训练，并将训练好的复合故障多任务诊断模型用于测试数据集分析，从而得到测试数据的故障诊断结果。本发明能够在仅采用单一故障状态和正常状态的数据样本对深度模型进行训练的前提下，实现对未知复合故障的解耦诊断。

公开(公告)号：CN111753891B

公开(公告)日：2023-04-07

申请号：CN202010530872.4

申请日：2020-06-11

Applicant: 燕山大学

Inventor： 李继猛 ,  吴浩 ,  姚希峰 ,  黎芷昕 ,  张金凤

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  G06N20/00

Abstract: 本发明公开了一种无监督特征学习的滚动轴承故障诊断方法，所述诊断方法主要步骤如下：首先采用ELM‑AE对采集到的振动信号进行无监督特征学习得到权值向量；然后将叠加处理后的权值向量作为卷积核，对原始振动信号进行卷积池化处理，实现数据特征的自动提取；最后将提取到的特征向量输入到支持向量机进行滚动轴承健康状态识别与分类。本发明所提出的方法能够在保证较高诊断精度的同时，有效的缩短模型训练时间，提高算法运行效率，具有非常理想的技术效果。

公开(公告)号：CN115046764A

公开(公告)日：2022-09-13

申请号：CN202210482268.8

申请日：2022-05-05

Applicant: 燕山大学

Inventor： 孟宗 ,  藩红苗 ,  樊凤杰 ,  李继猛 ,  曹利宵 ,  葛少普 ,  陈昌

IPC: G01M13/045

Abstract: 本发明公开了一种滚动轴承早期故障诊断方法，属于机械状态监测技术领域，为了克服传统的评估指标对于早期故障不敏感的缺点，提取采集到的轴承振动信号的时域、频域特征，利用高斯去噪算法、开方累积加和变换技术、皮尔逊系数和主成分分析法，将多维特征转变成单维特征，并在此基础上构建新的健康指标，该指标趋势能够更加凸显轴承早期故障特征。然后利用连续报警次数触发机制，仅使用较小的触发次数便可准确可靠地监测出滚动轴承的早期故障。本发明在滚动轴承早期故障诊断方面取得的研究成果，为实现滚动轴承的剩余寿命预测奠定了基础。

公开(公告)号：CN112214845A

公开(公告)日：2021-01-12

申请号：CN202010922213.5

申请日：2020-09-04

Applicant: 燕山大学

Inventor： 孟宗 ,  王福林 ,  李佳松 ,  樊凤杰 ,  李继猛

IPC: G06F30/17 ,  G06F30/23 ,  G06F111/04 ,  G06F119/14

Abstract: 本发明公开了一种基于新的点蚀模型的齿轮时变啮合刚度计算方法，采用了随机分布的点蚀分布模型，建立四种不同的点蚀程度模型，利用势能法计算点蚀齿轮时变啮合刚度，先推导出一个轮齿上单个点蚀的啮合刚度方程，进而可以推导出多点蚀的啮合刚度方程，可以精确的求解建立的四种程度点蚀齿轮的啮合刚度方程，并通过有限元法建立有限元模型进行比较验证，最终结果表明本发明计算时间短，计算精度高。本发明建立的点蚀模型与传统模型相比更能贴近实际，点蚀分布模型也能更好地切合实际，且能处理复杂的点蚀分布。该发明方法能够很好的计算实际情况下的点蚀齿的时变啮合刚度。

公开(公告)号：CN111665050A

公开(公告)日：2020-09-15

申请号：CN202010501122.4

申请日：2020-06-04

Applicant: 燕山大学

Inventor： 李继猛 ,  于青文 ,  黎芷昕 ,  吴浩 ,  张金凤

IPC: G01M13/045 ,  G06K9/62

Abstract: 本发明公开了一种基于聚类K-SVD算法的滚动轴承故障诊断方法，其主要步骤如下：首先利用基于粒子群优化的时变滤波经验模态分解算法对原始信号进行自适应分解，得到各本征模式分量，并计算各分量的相关峭度指标(Kcr)值；然后，选取具有最大Kcr指标值的本征模式分量作为聚类K-SVD算法的输入样本进行字典学习，得到超完备字典DNew；最后，利用超完备字典DNew，并结合正交匹配追踪算法对滚动轴承原始信号进行稀疏特征提取，并对稀疏表示结果进行包络谱分析提取滚动轴承故障频率特征。本方法有效解决了经典K-SVD算法对滚动轴承故障冲击特征的学习精度较低等问题，对于实现滚动轴承微弱故障诊断具有重要的意义。

公开(公告)号：CN108507789A

公开(公告)日：2018-09-07

申请号：CN201810571885.9

申请日：2018-05-31

Applicant: 燕山大学

Inventor： 李继猛 ,  李铭 ,  王慧 ,  姚希峰 ,  张金凤

IPC: G01M13/04 ,  G06K9/62

Abstract: 本发明公开了一种基于平均随机弱正交匹配追踪的滚动轴承故障稀疏诊断方法，首先根据采集到的滚动轴承振动信号构造超完备字典，完成算法参数的初始化设置，并预估原信号的稀疏度；其次，采用平均随机弱正交匹配追踪算法更新稀疏字典和残差；最后，利用得到的稀疏字典计算稀疏表示系数，从而重构得到故障信号；将上述过程重复N次，通过集合平均得到最终处理结果。该方法通过原子数预估与改进的残差更新方式避免了人为设置稀疏度对分解结果的影响，通过改进的模拟退火算法增大了小幅值故障成分被提取的可能，解决了微弱周期性冲击特征难以有效提取的问题，对实现滚动轴承的早期微弱故障诊断具有重要意义。