公开(公告)号：CN118464449A

公开(公告)日：2024-08-09

申请号：CN202410550097.7

申请日：2024-05-06

Applicant: 三峡大学

Inventor： 付文龙 ,  廖伟清 ,  杨棵 ,  黄玉光

IPC: G01M13/045 ,  G06F18/25 ,  G06F18/2131 ,  G06F18/211 ,  G06F18/243 ,  G06F18/2337

Abstract: 基于特征融合与FCM算法的轴承故障诊断方法，对轴承振动信号进行时域分析，提取多个时域特征；通过一维离散小波包变换对轴承振动信号进行多层小波包分解，得到多个小波包，以这些小波包的归一化能量作为频域特征；分别对提取的时域特征和频域特征进行类别可分性比较，筛选出时域优势特征和频域优势特征；通过LLE算法分别对时域优势特征和频域优势特征进行降维融合，得到一维时域融合特征和一维频域融合特征；联合所得一维时域融合特征与一维频域融合特征，构成二维联合特征；使用FCM算法对得到的二维联合特征进行聚合分类，得到诊断结果。该方法充分利用信号时域特征与频域特征之间的联系，有效提高轴承故障诊断的准确性和可靠性。

公开(公告)号：CN117454163A

公开(公告)日：2024-01-26

申请号：CN202311202924.5

申请日：2023-09-18

Applicant: 三峡大学

Inventor： 付文龙 ,  鲁大臣 ,  李佰霖 ,  廖伟清 ,  杨棵 ,  黄玉光 ,  谭超

IPC: G06F18/214 ,  G06F18/24 ,  G06F18/10 ,  G06T7/13 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0475 ,  G06N3/08 ,  G06F18/25 ,  G01M13/045

Abstract: 基于边界辅助判别的滚动轴承故障特征增强及诊断方法，包括步骤：获取滚动轴承的原始振动信号并转换为时频域信号；构建基于边界辅助判别的BD‑ACGAN网络模型，在BD‑ACGAN网络模型中引入Shuffle Attention注意力机制模块以及自适应权重损失模块；从构建的不平衡数据集中随机抽取样本作为BD‑ACGAN网络模型的输入，通过梯度下降方法对生成器和判别器进行交替训练至纳什平衡，然后，利用经过训练的生成器对训练数据集进行增广得到融合数据集；利用获得的融合数据集对BD‑ACGAN网络模型的辅助分类器进行训练，以检测故障诊断性能。本发明方法将随机梯度下降的双时间尺度更新规则应用到改进的BD‑ACGAN网络模型中，不仅可以改善网络的稳定性，而且能进一步减少网络的收敛时间，更快的生成质量高的样本。

公开(公告)号：CN118468019A

公开(公告)日：2024-08-09

申请号：CN202410395177.X

申请日：2024-04-02

Applicant: 三峡大学

Inventor： 付文龙 ,  黄玉光 ,  廖伟清 ,  杨棵

IPC: G06F18/214 ,  G01M13/045 ,  G06F18/2131 ,  G06F18/2415 ,  G06T11/00 ,  G06V10/40 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/094

Abstract: 基于二维时频图像空间域和频域辅助分类生成对抗网络的不平衡轴承数据故障诊断方法，利用连续小波变换将一维原始振动信号通过提取特征转换为二维时频图样本；建立SAFD‑ACGAN模型；通过SAFD‑ACGAN模型生成具有清晰纹理细节和颜色信息的时频图像样本，对轴承不平衡数据集进行扩充得到平衡数据集；将平衡后的训练集时频样本输入到辅助分类器进行故障诊断模型的训练，再将测试集输入到训练好的辅助分类器中，从而实现轴承状态的准确预测。本发明故障诊断方法通过将原始一维振动信号用连续小波变换转换为二维时频图像，再利用生成网络生成具有清晰纹理细节和颜色信息的高质量时频伪图像的方式来平衡故障数据分布，进而提高故障诊断模型的准确率和稳定性。

公开(公告)号：CN117992852A

公开(公告)日：2024-05-07

申请号：CN202410204002.6

申请日：2024-02-23

Applicant: 三峡大学

Inventor： 付文龙 ,  杨棵 ,  廖伟清 ,  黄玉光

IPC: G06F18/241 ,  G06F18/2135 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/094 ,  G06F18/25 ,  G06N3/045

Abstract: 基于主成分分析和改进Wasserstein GAN的旋转机械故障诊断方法，包括：利用PCA算法对采集的多传感器数据降至三维，获得三通道时域特征；将三个通道中的每个通道指定长度的特征转换为矩阵，并融合三个通道的矩阵，获得具有多传感器信息的RGB图像；将RGB图片划分为不同样本数量的训练集数据，以及测试集数据；将训练集数据输入到改进WassersteinGAN网络模型，直至达到纳什平衡，并生成足量的样本扩充原始数据集，得到新的数据集；将得到新的数据集输入到搭建的残差CNN分类器进行训练；将测试集数据输入到训练好的残差CNN分类器中进行测试。本发明在Wasserstein GAN的生成器和判别器中分别引入L1损失函数和梯度惩罚项，以提高图片的生成质量和模型训练的稳定性，从而进一步提高生成图片质量。

公开(公告)号：CN118094371A

公开(公告)日：2024-05-28

申请号：CN202410100889.4

申请日：2024-01-23

Applicant: 三峡大学

Inventor： 付文龙 ,  廖伟清 ,  杨棵 ,  谭超 ,  李佰霖

IPC: G06F18/2415 ,  G01M13/045 ,  G06F18/213 ,  G06F18/214 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/047 ,  G06N3/09

Abstract: 基于多尺度残差网络和改进GRU的滚动轴承故障诊断方法，包括以下步骤：获取滚动轴承运行过程中的原始振动数据，划分为训练数据集和测试数据集；将训练数据集输入多尺度残差网络中进行初步特征提取；将多尺度残差网络提取的局部特征信息输入到改进GRU中；最终得到的特征信息经过α‑Dropout和全局平均池化处理后，输入softmax层进行故障分类；对多尺度残差网络和改进GRU的参数进行调优，得到训练好的故障诊断模型；将测试数据集输入故障诊断模型中进行故障诊断，确定滚动轴承的健康状况。本发明通过在CNN中引入多尺度结构，有效提取滚动轴承信号的局部特征；同时对GRU进行改进，使其能够更好地捕捉序列数据中的长期依赖关系和时间相关性，提高故障诊断性能和收敛性。