-
公开(公告)号：CN116432352A
公开(公告)日：2023-07-14
申请号：CN202310594431.4
申请日：2023-05-25
Applicant: 东北林业大学
IPC: G06F30/17 , G06F30/27 , G06F18/241 , G06F18/25 , G06N3/045 , G06N3/048 , G01M13/045
Abstract: 本发明公开了一种基于数字孪生技术的航空发动机主轴轴承故障诊断方法，首先，建立初始数字孪生模型，根据初始孪生信号和实体信号一致性偏差情况，使用深度学习方法对数字孪生模型参数进行多阶段修正，获得全面充足的高精度的孪生振动信号；其次，利用实体振动信号和孪生振动信号构建孪生振动信号数据库，使用该数据库对卷积神经网络、自动编码器和门控循环单元GRU进行训练；最后，利用上述三模型基于集成学习方法构建集成学习故障诊断模型，实现航空发动机主轴轴承实时信号的故障诊断。本发明利用深度学习对数字孪生模型进行修正来得到大量高精度孪生振动信号，还利用多个故障诊断模型的集成学习提高实时故障诊断结果准确率的稳定性。
-
公开(公告)号：CN115905976B
公开(公告)日：2023-07-07
申请号：CN202211412586.3
申请日：2022-11-11
Applicant: 东北林业大学
IPC: G06F18/2415 , G06N3/0442 , G06N3/045 , G06N3/047 , G06N3/08 , G01M13/045
Abstract: 基于注意力机制的Highway Bi‑LSTM轴承故障诊断方法、系统及设备，涉及机械故障诊断领域。本发明是为了解决现有轴承故障诊断方法还存在由于无法提取逆时域序列特征、对关键特征关注不足、训练层过多难以收敛导致的故障诊断准确率低的问题。本发明包括：获得待诊断的轴承原始振动信号，将待诊断的轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障严重性诊断结果；轴承故障诊断网络通过以下方式获得：获取轴承原始振动信号，并将轴承原始振动信号分为训练集和测试集；构建Highway Bi‑LSTM网络：Bi‑LSTM网络、注意力机制、Highway层、全连接层、softmax分类器；利用训练集训练Highway Bi‑LSTM网络；利用测试集测试训练好的Highway Bi‑LSTM网络，获得轴承故障诊断网络。本发明用于轴承的故障诊断。
-
公开(公告)号：CN114955922A
公开(公告)日：2022-08-30
申请号：CN202210918717.9
申请日：2022-08-02
Applicant: 东北林业大学
Abstract: 本发明公开了一种机械设备故障维修用吊装装置，包括底座、升降架、起重装置、微阻力旋转组件和非对称式夹紧装置，所述升降架设于底座上，所述起重装置设于升降架上，所述微阻力旋转组件活动设于升降架上，所述非对称式夹紧装置设于微阻力旋转组件上；所述微阻力旋转组件包括外圈体、电磁圈一、电磁圈二、旋转轴一、磁芯轴、滑块和限位板组件。本发明涉及机械设备维修辅助装置，具体是指一种能够对各种形状的机械设备进行充分夹持、在维修时可以对机械设备调整角度、并且在机械设备失速掉落时能够迅速使机械设备停止下落的机械设备故障维修用吊装装置。
-
公开(公告)号：CN119848625A
公开(公告)日：2025-04-18
申请号：CN202411940198.1
申请日：2024-12-26
Applicant: 东北林业大学
IPC: G06F18/241 , G06F18/214 , G06F18/213 , G06F30/20 , G06N3/0464 , G06N3/096 , G01M13/021 , G01M13/028 , G06F119/14
Abstract: 一种基于迁移学习故障诊断模型的齿轮故障诊断方法，本发明涉及基于迁移学习故障诊断模型的齿轮故障诊断方法。本发明的目的是为了解决实际齿轮故障诊断过程中故障样本少，数据不平衡，导致齿轮故障诊断准确率低的问题。过程为：构建齿轮训练集；构建迁移学习故障诊断模型，获得训练好的迁移学习故障诊断模型；具体过程为：迁移学习故障诊断模型依次包括特征提取器和分类器；获得训练好的迁移学习故障诊断模型；过程为：齿轮训练集输入模型的特征提取器，特征提取器输出特征；特征输入分类器，分类器输出分类结果；直至总体损失收敛，获得训练好的模型；将实际齿轮箱的测试集输入训练好的模型，得到诊断结果。本发明用于齿轮故障诊断领域。
-
公开(公告)号：CN115964661A
公开(公告)日：2023-04-14
申请号：CN202310015521.3
申请日：2023-01-04
Applicant: 东北林业大学
IPC: G06F18/241 , G06F18/213 , G06F18/214 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06N3/096 , G01M13/00 , G01M13/021 , G01M13/028
Abstract: 本发明实施例公开了一种基于域对抗网络的旋转机械故障诊断方法和系统，所述方法包括：获取待测旋转机械的参数数据；将所述参数数据输入预先训练的故障诊断模型中，以得到所述待测旋转机械的故障诊断结果；其中，所述故障诊断模型是基于群卷积神经网络利用目标样本进行训练得到的，所述目标样本为利用最小二乘对抗网络对有限样本进行样本扩展处理后得到的。解决了现有技术中由于样本量不足而导致的旋转机械故障诊断结果准确性较低的技术问题，从而实现在小样本情况下保证旋转机械故障诊断结果准确的技术效果。
-
Patent Agency Ranking
公开(公告)号：CN119474974A
公开(公告)日：2025-02-18
申请号：CN202411529710.3
申请日：2024-10-30
Applicant: 东北林业大学
IPC: G06F18/24 , G06N5/04 , G06N3/0455 , G06N3/096
Abstract: 本发明涉及机械检测领域，尤其涉及一种基于多模态大语言模型的风力发电机的故障诊断方法。本研究创新性地提出了一种基于GPT‑3的数据集构建方案，有效地将PDF格式机械故障相关文献转化为结构化的高质量问答对数据集。随后本研究利用数据集对基座大语言模型进行微调，通过对微调参数调整和微调方法的探索，成功提高模型在机械故障诊断的专业任务的表现。此外，根据实际的使用场景，本研究扩充信号转文本模块，使其能实时地接受机械故障的多模态数据，将数字信号包含的各个特征信息改变为文字的形式传递至大语言模型模块，最后大语言模型输出诊断结果。
-
公开(公告)号：CN119066403A
公开(公告)日：2024-12-03
申请号：CN202411148722.1
申请日：2024-08-21
Applicant: 东北林业大学
IPC: G06F18/2131 , G06F18/214 , G06N3/0475 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/084 , G06N3/094
Abstract: 本发明公开了一种新的故障诊断数据增强方法，即ADGAN，是一种自适应扩散模型的生成对抗网络，ADGAN通过正向扩散链生成高斯混合分布的噪声，使梯度更加平滑和稳定，避免了传统GAN模型中的梯度消失等问题。ADGAN在每个扩散时间步长上，利用不同的噪声数据比例和时间步长相关的鉴别器，学习区分扩散的真实数据和生成数据，生成器通过正向扩散链的反向传播从鉴别器的反馈中学习，正向扩散链的长度能够自适应调整，提高生成器的多样性，有效避免模式崩塌和传统扩散模型反向生成过程缓慢的问题。本专利使用凯斯西储大学轴承数据集和NEFU数据集采集试验台采集的数据集，验证了ADGAN在数据生成效果和稳定性方面表现优异，能够有效解决不平衡数据集中的故障样本问题，显著提升故障诊断性能，为数据增强和故障诊断提供了新的解决方案。
-
公开(公告)号：CN118913694A
公开(公告)日：2024-11-08
申请号：CN202410917134.3
申请日：2024-07-10
Applicant: 东北林业大学
IPC: G01M13/045 , G06F18/213 , G06F18/214 , G06F18/22 , G06N3/0464 , G06N3/0985
Abstract: 基于改进的模型无关元学习的少样本跨域轴承故障诊断方法和系统，涉及少样本跨域条件下机械故障诊断领域。本发明是为了解决现有轴承故障诊断方法无法在样本极少和工况变化时取得良好的诊断结果这一问题。本发明包括：获得待诊断的轴承原始振动信号，计算振动信号的自相似性将其转化为特征丰富且不受工况变化影响的二维递归图；改进模型无关元学习方法：将训练调控变量加入到内环训练中；构建基于并行协同注意力的特征编码器：由二维卷积模块、并行协同注意力模块、全连接层依次连接组成；利用支持集和查询集训练基于并行协同注意力的特征编码器：利用其他工况下的跨域振动信号测试训练好的基于并行协同注意力的特征编码器。本发明用于轴承的少样本跨域故障诊断。
-
公开(公告)号：CN118296508A
公开(公告)日：2024-07-05
申请号：CN202410446455.X
申请日：2024-04-15
Applicant: 东北林业大学
IPC: G06F18/2431 , G06F18/214 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于图卷积网络的直升机故障诊断方法、系统及设备，属于旋转机械故障诊断在工业实际中的应用，所述系统包括数据采集、数据处理、数据划分、方法构建、模型训练和模型测试六个步骤，数据采集阶段使用传感器采集直升机传动系统、动力装置、旋翼系统和尾桨系统等部位的振动信号，数据处理阶段进行插值处理和归一化操作，数据划分将处理完成的数据划分为训练集和测试集，方法构建融合了高斯滤波器、去噪自编码模块及多感受野图卷积网络，模型训练阶段和测试阶段分别使用训练集和测试集进行训练和测试。本发明能够在所述设备上进行直升机旋转机械的健康状态监测及故障诊断并表现了一定的准确性和稳定性。
-
公开(公告)号：CN118130091A
公开(公告)日：2024-06-04
申请号：CN202410346988.0
申请日：2024-03-26
Applicant: 东北林业大学
IPC: G01M13/045 , G06F18/2131 , G06F18/241 , G06N3/045 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种基于ConvNeXt网络和通道注意力机制的轴承故障诊断方法、系统及设备。其中方法融合了ConvNeXt网络、通道注意力机制、JMMD域自适应，通过强化特征表征能力和调整模型参数，实现了更高效、准确的轴承故障诊断方法。本发明通过ConvNeXt网络并行的多通道卷积操作，捕捉不同通道之间的依赖关系，减少参数量；同时，通过注意力机制使信号可以在不同尺度上进行交互和信息传递，实现更细粒度的特征选择和调整；本发明还通过JMMD域自适应方法，将源域和目标域中的同类子域对齐。本发明可以有效地提取一维信号中的复杂特征，提高轴承的故障诊断的准确率和诊断精度。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.019 seconds)
