公开(公告)号：CN102788696B

公开(公告)日：2014-11-05

申请号：CN201210252961.2

申请日：2012-07-21

Applicant: 辽宁大学

Inventor： 张利 ,  杨永波 ,  张立勇 ,  田立 ,  赵中洲

IPC: G01M13/04 ,  G06N3/02

Abstract: 本发明涉及一种基于改进BP神经网络和模糊集理论的轴承健康度评价方法。其步骤如下：1）采集原始信号：2）对步骤1）采集的信号进行FFT变换和滤波降噪处理；3）提取滤波降噪之后的振动信号的特征，获得特征参数；具体步骤如下：在FFT降噪处理的频域信号中选取7个状态参数；通过DI来评估状态参数的灵敏度；选取DI均值较大的四个参数作为BP神经网络输入层的特征参数；4）建立改进BP神经网络模型；5）将选定的四个特征参数输入改进BP神经网络进行状态识别，计算出健康度数值。运用本方法能够针对轴承运行状态进行分析，对轴承健康度进行分级，进而分析有关状态的情况及发展趋势并对滚动轴承做出干预决策。

公开(公告)号：CN103512751A

公开(公告)日：2014-01-15

申请号：CN201310278309.2

申请日：2013-07-03

Applicant: 辽宁大学

Inventor： 张利 ,  田立 ,  刘萌萌 ,  陈朋杰 ,  赵中洲

IPC: G01M13/04 ,  G06N3/02

Abstract: 一种基于概率神经网络的轴承健康状态识别方法，步骤如下：1）采集原始信号；2）选择和评估参数：运用统计学原理计算震动信号产生的特征集，选取的统计特征，评估选取参数对已知数据分配的能力。3）构造概率神经网络模型；4）将输入参数输入概率神经网络进行状态识别。本发明将轴承的运行状态分为正常，亚健康和故障三种状态，采用概率神经网络（PNN）对轴承的健康状态进行估计，使用样本熵等作为概率神经网络（PNN）的输入特征参数，评估数据的分布能力，通过与传统轴承状态的正常-故障模型进行实验对比，并给出了轴承健康状态的识别结果。

公开(公告)号：CN119882043A

公开(公告)日：2025-04-25

申请号：CN202510076235.7

申请日：2025-01-17

Applicant: 辽宁大学

Inventor： 罗浩 ,  潘一山 ,  徐晓政 ,  张利 ,  丁琳琳

IPC: G01V1/28

Abstract: 一种轻量迁移学习模型的振动P波到时拾取方法，属于微震监测技术领域，步骤为：1.导入地震与微震事件数据。2.对步骤1数据进行预处理。3.使用步骤2数据制作训练集和测试集。4.构建地震数据到时拾取模型。5.输入步骤3地震数据训练集数据至步骤4拾取模型训练。6.输入步骤3地震数据测试集数据至步骤4拾取模型进行P波到时拾取，评价模型拾取效果。7.输入微震数据至步骤6中合格的拾取模型进行迁移学习，对模型进行微调，实现微震数据到时拾取。本发明通过上述方法，提供了一种具有较高的准确性和可靠性的P波到时拾取方法。

公开(公告)号：CN118364138A

公开(公告)日：2024-07-19

申请号：CN202310062069.6

申请日：2023-01-18

Applicant: 辽宁大学

Inventor： 丁琳琳 ,  张港 ,  李默 ,  马技 ,  张利

IPC: G06F16/901 ,  G06F16/22 ,  G06F16/2453

Abstract: 一种基于带标签的时序图中查询Skyline路径的方法，属于图数据管理领域。传统的Skyline路径查询研究中没有考虑时间因素，同时大部分传统路径研究中只关注于单一约束因素的路径查询。为了解决上述问题，提出一种基于带标签的时序图中查询Skyline路径的方法。该方法首先定义了带标签的时序图以及带标签时序图中的Skyline路径；然后构造了MP索引结构，该索引结构分为MP顶点查找、Mout集合构建步骤；然后发明了基于MP索引的带标签的Skyline路径查询方法；最后，随着时序图的变化，该方法中的索引也可以进行动态更新。该方法不仅考虑时间因素，同时可以满足用户的多样化查询需求。为了测试本方法的性能，在十个真实数据集上与其他方法进行对比，结果表明该方法具有更好的索引构造时间以及更短的查询时间。

公开(公告)号：CN110119778B

公开(公告)日：2024-01-05

申请号：CN201910388452.4

申请日：2019-05-10

Applicant: 辽宁大学

Inventor： 张利 ,  肖雪冬 ,  郭炜儒 ,  王青松 ,  张皓博 ,  王彦捷

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G06N3/08 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/006

Abstract: 本发明涉及一种改进鸡群优化RBF神经网络的设备健康状态检测方法，基本步骤如下：(1)信号采样；(2)降噪处理；(3)特征提取；(4)数据归一化处理；(5)设备健康状态检测。本发明提出了一种改进鸡群优化RBF神经网络模型，使用智能寻优方法找到最优的中心向量，从而提高RBF网络的性能。针对鸡群算法在一定程度上易陷入局部最优的问题，采用改进鸡群结合混沌搜索策略优化初始种群，同时对使用度值高的小鸡通过成长操作来代替一部分公鸡粒子，从而尽可能解决陷入局部最优的问题。

公开(公告)号：CN115375025A

公开(公告)日：2022-11-22

申请号：CN202211011826.9

申请日：2022-08-23

Applicant: 辽宁大学 ,  辽宁智震科技有限公司

Inventor： 罗浩 ,  冯天真 ,  潘一山 ,  丁琳琳 ,  张利

IPC: G06Q10/04 ,  G06Q10/06 ,  G06Q50/02 ,  G06N3/04 ,  G06N3/08 ,  G06F16/29

Abstract: 冲击地压矿井微震事件时空强三要素定量预测方法，步骤为：1.导入微震事件时空强历史数据。2.对步骤1数据进行预处理。3.使用步骤2数据制作训练集和测试集。4.构建微震预测模型。5.输入步骤3训练集数据至步骤4预测模型训练。6.输入步骤3测试集数据至步骤4预测模型进行预测，评价模型预测效果。7.输入微震时空强历史数据和当前数据至步骤6中合格的预测模型，实现微震事件时空强预测。本发明通过上述步骤可以实现微震事件时间、空间位置和强度三要素预测，具有定量预测的优点。

公开(公告)号：CN114841210A

公开(公告)日：2022-08-02

申请号：CN202210526595.9

申请日：2022-05-16

Applicant: 辽宁大学

Inventor： 罗浩 ,  于靖康 ,  潘一山 ,  丁琳琳 ,  张利 ,  刘阳军 ,  刘乐

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于深度学习的微震多时窗智能P波到时拾取方法，步骤为：1)采集用于模型训练与测试的数据集，并根据到时标签将微震波形分为不同种类的微时窗；2)搭建CGAS的P波到时拾取深度学习模型，并对该模型进行训练；3)使用测试集对模型进行测试评估；4)使用CGAS模型对波形进行P波到时拾取；5)当多个台站监测到微震事件后，使用CGAS模型对多个台站监测到的震动波形数据进行多时窗的P波到时拾取；6)记录微震事件和各台站的到时信息。本发明通过上述方法，解决了现有技术中存在的拾取精度低、微震事件漏检或误检等问题，提供了一种高鲁棒、高精度的微震多时窗智能P波到时拾取方法。

公开(公告)号：CN113204925A

公开(公告)日：2021-08-03

申请号：CN202110611750.2

申请日：2021-06-02

Applicant: 辽宁大学

Inventor： 张利 ,  张蕾 ,  李静 ,  袁意丽 ,  张皓博 ,  刘春雪

IPC: G06F30/27 ,  G06F30/25 ,  G06N3/00 ,  G06N3/12 ,  G06F111/04 ,  G06F111/08

Abstract: 一种改进鲸鱼算法优化最小二乘支持向量机带钢厚度预测方法，包括以下步骤：1)分析采集的钢板数据信号；2)特征提取；3)数据归一化处理；4)带钢厚度预测。发明一种改进鲸鱼算法优化最小二乘支持向量机带钢厚度预测方法，通过使用改进的鲸鱼法优化最小二乘支持向量机的正则化参数γ和核函数宽度σ，从而提高最小二乘支持向量机性能。本发明使用的数据是来源于国内某钢厂的热连轧板带材实际生产数据。在带钢厚度预测模型构建模块中，训练中的样本集采用预处理后的特征向量并运用经改进鲸鱼算法优化的LSSVM方法训练带钢厚度预测模型。本发明通过上述步骤，提供了一种的预测误差小、预测精度高、鲁棒性好的带钢厚度预测方法。

公开(公告)号：CN108106844B

公开(公告)日：2019-09-13

申请号：CN201711169602.X

申请日：2017-11-22

Applicant: 辽宁大学

Inventor： 张利 ,  高欣 ,  刘洋 ,  李大伟 ,  张皓博 ,  郭炜儒 ,  石振桔 ,  赵中洲

IPC: G01M13/045 ,  G05B13/02 ,  G05B13/04

Abstract: 一种自适应参数调节的自动编码机的轴承故障诊断方法，基本步骤如下：1)对轴承振动信号的采样；2)对轴承信号的预处理；3)对深度网络代价函数，结点数与结构确定；4)参数自适应调节；5)故障划分。该方法首先对当前数据做出降噪处理，在降噪的同时也进行降维处理，并通过归一化后的‘干净’数据进入深度网络进行训练，通过稀疏自动编码器的特性，对边缘降噪走动编码器隐含层神经元进行稀疏性限制，结合Ada‑grad学习策略不断调节当前学习率的参数使其达到最优，从而达到一种快收敛，高精度的分类效果。最后通过与传统的自动编码机在轴承故障分类上进行对比，从而验证本发明的有效性和鲁棒性强的特点。

公开(公告)号：CN109299727A

公开(公告)日：2019-02-01

申请号：CN201810880925.8

申请日：2018-08-04

Applicant: 辽宁大学

Inventor： 张利 ,  郭炜儒 ,  张皓博 ,  高欣 ,  邱存月 ,  周佳宁 ,  王军

IPC: G06K9/62

Abstract: 一种信息重构的改进极限学习机故障诊断方法，其步骤如下：1)采集信号；2)信号处理；3)特征提取；4)故障诊断划分；本发明基于排列熵(PE)思想，提出加权排列熵(WPE)思想，通过对普通排列熵的熵值特征加权，将特征信息变得更敏感，能够很好的呈现特征信息的变化，为特征选择提供了基础。此外，提出了一种基于Filter-Wrapper(过滤-包裹)法对特征进行有效甄别，通过不断调整网络的输出权重来达到误差最小化，使极限学习机输出结果的误差达到最小,并与传统极限学习机进行结果对比，以此验证本发明的有效性。