-
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：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：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：CN120043759A
公开(公告)日：2025-05-27
申请号：CN202411939586.8
申请日：2024-12-26
Applicant: 东北大学
IPC: G01M13/04 , G01M13/045 , G06F18/20 , G06F18/213 , G06F30/23 , G06F30/27 , G06N3/0455 , G06N3/0475
Abstract: 本发明提供一种基于数模联动的轴承保持架退化状态评估方法，包括：搭建真实的保持架退化实验台采集轴承保持架退化的全生命周期信号，构建物理实体；构建保持架的退化状态的表征数学模型，并将表征数学模型引入动力学模型，生成保持架退化过程的仿真信号；基于SE注意力机制，构建CycleGAN模型，对仿真信号进行修正，生成高保真的虚拟信号，使虚拟信号特征分布进一步逼近真实退化信号；构建SKformer模型，对保持架所处的故障退化阶段进行诊断。本发明在Transformer中引入SKnet，使模型从多个尺度自动适应感受野的大小，从而提高了网络的局部信息学习能力，增强了SKformer提取保持架故障的突变特征的能力和退化状态识别性能。
-
公开(公告)号：CN117232826A
公开(公告)日：2023-12-15
申请号：CN202311343957.1
申请日：2023-10-17
Applicant: 东北大学
IPC: G01M13/021 , G01M13/028
Abstract: 本发明公开了小样本下基于改进元学习网络的齿轮箱故障诊断方法，包括：建立高保真的齿轮‑转子动力学模型，通过引入不同的啮合刚度生成各种故障齿轮的仿真振动信号；利用齿轮故障模拟试验台采集齿轮故障实测振动信号；分别使用连续小波变换将仿真振动信号和实测振动信号转换为对应的能量图，构建小样本数据集；构建基于改进元学习网络的特征提取模型，并利用支持集数据对特征提取模型进行训练；将查询集数据输入训练好的特征提取模型中进行特征提取，计算每类样本的原型表示；计算查询集数据和原型表示的距离，将距离转换为概率分布，以输出预测的故障类别。本发明提高了故障数据不足情况下的齿轮箱故障诊断结果的准确率。
-
Patent Agency Ranking
公开(公告)号：CN119670391A
公开(公告)日：2025-03-21
申请号：CN202411726773.8
申请日：2024-11-28
Applicant: 东北大学
IPC: G06F30/20 , G01M13/021 , G01M13/028 , G06F119/14
Abstract: 本发明提供一种基于实际裂纹扩展曲线的直齿轮系统裂纹故障诊断方法，具体步骤包括：基于齿轮的模态缩聚，建立齿轮动力学分析模型；结合齿轮裂纹疲劳扩展实验的历史数据，获取齿根裂纹扩展路径，并代入齿轮动力学分析模型中，得到含裂纹齿轮的时变啮合刚度；通过齿轮动力学分析模型，获取仿真加速度信号数据，建立齿根裂纹程度识别特征；将齿根裂纹程度识别特征作为实际信号，通过变分模态分解方法判别齿轮裂纹的扩展程度。本发明考虑到了中心距误差和不对中误差同时存在的情况，提出了改进齿根裂纹识别的方法。本发明利用仿真进行指标构建，通过变分模态分解重构方法，减少了测量环境噪音干扰，提取了隐藏在周期信号下的裂纹振动冲击特征。
-
公开(公告)号：CN119312501A
公开(公告)日：2025-01-14
申请号：CN202411355451.7
申请日：2024-09-27
Applicant: 东北大学
IPC: G06F30/17 , G06F30/23 , G06F17/13 , G06F17/16 , G06F111/04 , G06F119/14
Abstract: 本发明属于齿轮传动技术领域，公开一种考虑啮合点变化的柔性锥齿轮系统的动力学建模方法，用于锥齿轮系统处于行波共振状态下的振动响应和动应力响应特征规律分析，进而分析航空发动机附件机匣中弧齿锥齿轮系统的行波共振现象。采用三维壳单元和梁单元建立了锥齿轮副有限元实体模型。采用子结构模态综合法和旋转模态投影法建立了考虑啮合点变化的柔性锥齿轮系统的动力学模型。通过有限元实体模型和实验测试结果验证了所提出模型的可靠性。在此基础上，结合动态响应和振动应力实验测试，研究了锥齿轮系统的行波共振现象。针对所提出模型的研究成果对航空发动机锥齿轮系统的设计和故障监测具有理论意义。
-
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。
-
公开(公告)号：CN119509971A
公开(公告)日：2025-02-25
申请号：CN202411521025.6
申请日：2024-10-29
Applicant: 东北大学
IPC: G01M13/04 , G01M13/045 , G01B21/32 , G06F17/12 , G06N3/0455 , G06N3/09
Abstract: 本发明提供一种仿真数据驱动的滚动轴承故障诊断方法，包括：根据轴承不同故障类型的失效形式，构建滚动轴承的五自由度动力学模型，以表征轴承系统在虚拟空间中的动态响应；通过轴承故障模拟实验台采集真实环境下健康和不同故障条件下的振动信号，建立数据集；考虑模拟数据和测量数据之间的特征分布差异，构建四个优化目标，分别用于差异特征学习和域不变特征学习；使用Transformer模型作为特征提取器，并联合混合损失函数在跨域条件下进行故障诊断。与现有技术相比，本发明建立的模型能够在跨域和训练数据稀疏的情况下进行有效诊断，解决了工程实际中数据特征分布差异与目标域样本稀疏的问题，并具有一定的鲁棒性。
-
公开(公告)号：CN118776886A
公开(公告)日：2024-10-15
申请号：CN202410776937.1
申请日：2024-06-17
Applicant: 东北大学
IPC: G01M13/045 , G06F18/15 , G06F18/213 , G06N3/0464 , G06N3/044 , G06N3/0475 , G06N3/094 , G06N3/096 , G06N3/0455
Abstract: 本发明公开了一种多测点迁移的滚动轴承保持架评估方法，包括以下步骤：通过实验采集不同测点下的轴承保持架退化的全生命周期信号，构建两个不同域的数据集；考虑保持架发生故障时在短时间内急剧增大，使用空洞卷积和学习率自适应衰减的策略来改进CycleGAN模型；通过训练改进的CycleGAN模型来生成不同测点的轴承保持架退化信号；构建了一种基于网格搜索算法优化的深度置信网络来表征轴承保持架的退化规律。与现有技术相比，本发明所建立的模型能够有效生成跨测点的保持架的退化信号，同时基于网格搜索算法优化的深度置信网络可以精确地拟合保持架退化的全生命周期退化趋势，优于其他模型。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.018 seconds)
