公开(公告)号：CN115452378B

公开(公告)日：2025-01-03

申请号：CN202210984334.1

申请日：2022-08-17

Applicant: 东南大学

Inventor： 邓艾东 ,  王寅杰 ,  范永胜 ,  占可 ,  董路南

IPC: G01M13/045 ,  G10L25/24 ,  G10L17/04

Abstract: 本发明公开了一种基于功率正则化倒谱系数的滚动轴承故障声纹识别方法，涉及测量技术领域，解决了在噪声干扰下轴承故障识别准确率不高的技术问题，其技术方案要点是使用改进功率正则化倒谱系数特征对滚动轴承的故障声音信号进行识别，相比其他常用特征计算量仅有少量增加，但具有更高的识别准确率；同时，该改进措施能在噪声环境下依然保持较高的识别准确率，具有鲁棒性强的优点。且本申请不会影响滚动轴承的正常运行，能在不停机、不对原系统进行改造的前提下安装声音信号传感器，并在此基础上实现滚动轴承的故障识别，效率更高。

公开(公告)号：CN114964769B

公开(公告)日：2025-02-28

申请号：CN202210477896.7

申请日：2022-04-26

Applicant: 东南大学

Inventor： 邓艾东 ,  凌峰 ,  杨宏强 ,  王鹏程 ,  董路南 ,  卞文彬 ,  占可

IPC: G01M13/021 ,  G01M13/028 ,  G06F17/16

Abstract: 本发明涉及一种风电齿轮箱振动信号故障诊断方法，包括：获得原始振动信号；根据原始振动信号构造Hankel矩阵，对Hankel矩阵进行奇异值分解获得奇异值序列矩阵；确定奇异值序列矩阵的硬阈值，基于所述硬阈值利用混合阈值奇异值分解降噪算法处理所述奇异值序列矩阵；将处理后的奇异值序列矩阵还原成Hankel矩阵，再还原成降噪后的振动信号；将降噪后的振动信号进行滤波；将滤波后信号进行包络分析，获得故障特征频率。本发明采用奇异值分解的硬阈值自适应选取算法，解决了传统的硬阈值奇异值分解降噪法阈值选取主观性较强、自适应性较弱、易丢失信号特征的问题，旨在实现在强噪声环境下对风电齿轮箱故障特征的有效提取。

公开(公告)号：CN115114954A

公开(公告)日：2022-09-27

申请号：CN202210584154.4

申请日：2022-05-26

Applicant: 东南大学

Inventor： 邓艾东 ,  董路南 ,  马天霆 ,  刘洋 ,  凌峰 ,  王寅杰

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

Abstract: 本发明公开了一种基于VMD‑DenseNet的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域，解决了强噪声下的滚动轴承故障诊断效率较低的技术问题，其技术方案要点是将VMD模型和DenseNet网络相结合，两者的适配性很好，通过VMD模型的分解，筛选相关模态，进而重构信号，能够实现初步降噪；DenseNet网络设置了多个DenseBlock块实现特征重用，加强了特征之间的传递，最后通过Softmax层完成故障分类。该VMD‑DenseNet模型对含有不同强度噪声的振动信号均能有效提取故障特征，具有良好的诊断性能，准确率更高、训练参数较少、收敛速度快、鲁棒性好。

公开(公告)号：CN114964769A

公开(公告)日：2022-08-30

申请号：CN202210477896.7

申请日：2022-04-26

Applicant: 东南大学

Inventor： 邓艾东 ,  凌峰 ,  杨宏强 ,  王鹏程 ,  董路南 ,  卞文彬 ,  占可

IPC: G01M13/021 ,  G01M13/028 ,  G06F17/16

Abstract: 本发明涉及一种风电齿轮箱振动信号故障诊断方法，包括：获得原始振动信号；根据原始振动信号构造Hankel矩阵，对Hankel矩阵进行奇异值分解获得奇异值序列矩阵；确定奇异值序列矩阵的硬阈值，基于所述硬阈值利用混合阈值奇异值分解降噪算法处理所述奇异值序列矩阵；将处理后的奇异值序列矩阵还原成Hankel矩阵，再还原成降噪后的振动信号；将降噪后的振动信号进行滤波；将滤波后信号进行包络分析，获得故障特征频率。本发明采用奇异值分解的硬阈值自适应选取算法，解决了传统的硬阈值奇异值分解降噪法阈值选取主观性较强、自适应性较弱、易丢失信号特征的问题，旨在实现在强噪声环境下对风电齿轮箱故障特征的有效提取。

公开(公告)号：CN115452378A

公开(公告)日：2022-12-09

申请号：CN202210984334.1

申请日：2022-08-17

Applicant: 东南大学

Inventor： 邓艾东 ,  王寅杰 ,  范永胜 ,  占可 ,  董路南

IPC: G01M13/045 ,  G10L25/24 ,  G10L17/04

Abstract: 本发明公开了一种基于功率正则化倒谱系数的滚动轴承故障声纹识别方法，涉及测量技术领域，解决了在噪声干扰下轴承故障识别准确率不高的技术问题，其技术方案要点是使用改进功率正则化倒谱系数特征对滚动轴承的故障声音信号进行识别，相比其他常用特征计算量仅有少量增加，但具有更高的识别准确率；同时，该改进措施能在噪声环境下依然保持较高的识别准确率，具有鲁棒性强的优点。且本申请不会影响滚动轴承的正常运行，能在不停机、不对原系统进行改造的前提下安装声音信号传感器，并在此基础上实现滚动轴承的故障识别，效率更高。

公开(公告)号：CN115221916A

公开(公告)日：2022-10-21

申请号：CN202210659742.X

申请日：2022-06-13

Applicant: 东南大学

Inventor： 邓艾东 ,  占可 ,  范永胜 ,  刘洋 ,  董路南 ,  王寅杰

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

Abstract: 本发明公开了一种基于改进GAF及SA的CNN滚动轴承故障诊断方法，涉及轴承故障诊断技术领域，解决了在高噪声环境下轴承故障诊断性能下降的技术问题，其技术方案要点是首先利用改进GAF对采集到的振动信号进行编码，并生成相应特征图，之后将其输入卷积神经网络进行滚动轴承故障特征的提取，并引入适用于卷积神经网络的SA注意力模块实现特征的自适应加权，最后输入到softmax层完成滚动轴承故障分类。该模型鲁棒性好，诊断准确率更高，同时在复杂环境下也能保持较好的诊断结果。