-
公开(公告)号：CN119004353B
公开(公告)日：2024-12-27
申请号：CN202411488504.2
申请日：2024-10-24
Applicant: 东北大学 , 东北大学佛山研究生创新学院
IPC: G06F18/2433 , G06F18/25 , G06V10/80 , G06V10/82 , G06F17/16 , G06N3/0464
Abstract: 发明提供一种基于全局距离矩阵的卷积融合滚动轴承故障诊断方法，包括以下步骤：获取待分析的滚动轴承的振动数据；基于全局距离矩阵的图像编码方法，将滚动轴承的振动数据转换成待分析滚动轴承二维图像；构建用于对滚动轴承故障进行分析的自适应融合多尺度卷积神经网络的故障诊断模型；对自适应融合多尺度卷积神经网络的故障诊断模型进行训练，得到训练好的自适应融合多尺度卷积神经网络的故障诊断模型；将待分析滚动轴承二维图片输入到训练好的自适应融合多尺度卷积神经网络的故障诊断模型，实现滚动轴承故障的诊断，该方法能够为不同来源的数据分配可学习的权重，赋予了网络分辨和合理利用不同信息源数据中的不平衡诊断信息的能力。
-
公开(公告)号：CN119004353A
公开(公告)日：2024-11-22
申请号：CN202411488504.2
申请日：2024-10-24
Applicant: 东北大学 , 东北大学佛山研究生创新学院
IPC: G06F18/2433 , G06F18/25 , G06V10/80 , G06V10/82 , G06F17/16 , G06N3/0464
Abstract: 发明提供一种基于全局距离矩阵的卷积融合滚动轴承故障诊断方法，包括以下步骤：获取待分析的滚动轴承的振动数据；基于全局距离矩阵的图像编码方法，将滚动轴承的振动数据转换成待分析滚动轴承二维图像；构建用于对滚动轴承故障进行分析的自适应融合多尺度卷积神经网络的故障诊断模型；对自适应融合多尺度卷积神经网络的故障诊断模型进行训练，得到训练好的自适应融合多尺度卷积神经网络的故障诊断模型；将待分析滚动轴承二维图片输入到训练好的自适应融合多尺度卷积神经网络的故障诊断模型，实现滚动轴承故障的诊断，该方法能够为不同来源的数据分配可学习的权重，赋予了网络分辨和合理利用不同信息源数据中的不平衡诊断信息的能力。
-
公开(公告)号：CN119337311A
公开(公告)日：2025-01-21
申请号：CN202411430443.4
申请日：2024-10-14
Applicant: 东北大学 , 东北大学佛山研究生创新学院
IPC: G06F18/25 , G01M13/021 , G01M13/028 , G06V10/764 , G06V10/80 , G06V10/82 , G06V10/44 , G06N3/045 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本发明提供一种齿轮多传感器协同故障诊断方法，包括：融合齿轮监控平台传感器的数据，强调时间序列数据中不同时刻点之间的相互关系和时间相关性，生成多维距离矩阵图像；构建多尺度自适应特征融合卷积神经网络诊断模型，利用多尺度特征和金字塔特征准确识别齿轮故障。在诊断模型中，设计多尺度自适应特征融合卷积神经网络，输入多维距离矩阵图像，实现故障诊断；构建新的卷积块，卷积块中两个不同大小的大尺寸深度可分离卷积，获取空间信息，其注意力分支沿两个方向聚合位置信息；构造自适应融合模块自适应融合金字塔特征，引入高效注意力和跨空间学习，根据不同阶段特征各自的重要性生成可学习的权重，综合利用深层和浅层信息诊断齿轮故障。
-
公开(公告)号：CN119004171A
公开(公告)日：2024-11-22
申请号：CN202411035128.1
申请日：2024-07-31
Applicant: 东北大学
IPC: G06F18/24 , G06F18/213 , G06N3/0464
Abstract: 本发明一种基于扩散模型的叶轮数据不平衡故障诊断方法，包括以下步骤：获取叶轮故障信号；采用非线性加噪方法和非自回归性网络DiffWave对扩散模型进行改进，得到叶轮故障信号增强模型，对叶轮故障信号增强模型进行训练，得到训练好的叶轮故障信号增强模型，实现故障叶轮的振动时域信号的增强；将增强后的故障叶轮的振动时域信号，划分为训练集数据和测试集数据；通过改进卷积神经网络结构来设计叶轮故障分类模型；基于训练集数据，对叶轮故障分类模型进行训练，得到训练好的叶轮故障分类模型；将测试集数据输入到训练好的叶轮故障分类模型中，得到叶轮故障分类，提升现有部分数据不平衡故障诊断方法的准确率。
-
-
-
Search Results
4
records
(took 0.013 seconds)
