-
公开(公告)号：CN119442026A
公开(公告)日：2025-02-14
申请号：CN202411499202.5
申请日：2024-10-25
Applicant: 兰州理工大学
Inventor： 赵小强 , 安贵财 , 安学军 , 梁浩鹏 , 刘凯 , 张亚洲 , 柴靖轩 , 郭海科 , 姚青磊 , 李森 , 徐珂 , 柳勇勇 , 史旭斌 , 杨健智 , 齐祥德 , 于光博 , 毛高磊 , 路帅 , 郭婷婷 , 周晓琴 , 蔡世博
IPC: G06F18/2415 , G01M13/045 , G06F18/2431 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多通道自适应融合的滚动轴承故障诊断方法及系统，方法包括：获取一维振动加速度信号并进行归一化，将其转换为二维灰度图；将二维灰度图输入至卷积神经网络模型中进行处理，具体包括：多尺度特征提取模块提取二维灰度图的特征信息并进行自适应加权多通道信息的重要性权重，输出第一多尺度特征图；双注意力空洞卷积模块提取第一多尺度特征图的空间位置和通道信息，输出第二特征图；残差密集模块通过残差连接以及密集连接对第二特征图进行深度特征提取，输出滚动轴承故障诊断分类结果。本发明能够解决滚动轴承由于噪声干扰强和负载变化大导致模型故障诊断效果低和泛化能力差的问题。
-
公开(公告)号：CN119337308A
公开(公告)日：2025-01-21
申请号：CN202411393951.X
申请日：2024-10-08
Applicant: 兰州理工大学
IPC: G06F18/25 , G06F18/24 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/44 , G06V10/764 , G06V10/82 , G01M13/04 , G01M13/045
Abstract: 本发明公开了一种小样本下基于MSDFM‑ASTRSB的滚动轴承故障诊断方法，该方法包括，利用多个传感器采集滚动轴承在不同故障状态下的一维振动信号；通过连续小波变换将单一传感器单一故障状态下一维振动信号转化为对应的二维时频图，并将多个传感器的二维时频图进行融合，得到单一故障状态下的多传感器数据融合图像，进而得到所有故障状态下多传感器数据融合图像并作为数据集；基于非对称软阈值残差收缩块和位置交互自注意力机制构建MSDFM‑ASTRSB滚动轴承故障诊断模型,并以数据集中的训练集对故障诊断模型进行训练；利用训练好的故障诊断模型完成滚动轴承的故障诊断。本发明解决了训练样本短缺以数据单一的缺陷，并提高了滚动轴承故障诊断的准确性。
-
公开(公告)号：CN119293585A
公开(公告)日：2025-01-10
申请号：CN202411354938.3
申请日：2024-09-27
Applicant: 兰州理工大学
Inventor： 赵小强 , 李森 , 梁浩鹏 , 张亚洲 , 刘晶晶 , 刘凯 , 柴靖轩 , 强睿儒 , 郭海科 , 安贵财 , 姚青磊 , 李玉霞 , 徐珂 , 杨健智 , 史旭斌 , 于光博 , 齐祥德 , 毛高磊 , 郭婷婷 , 孙雅莉
IPC: G06F18/241 , G01M13/045 , G06F18/213 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于IDSP和反向DSC级联残差的轴承故障诊断方法，包括：获取轴承操作台来自不同位置传感器的一维振动信号，进行预处理，划分为训练和验证样本集；利用训练样本集对故障诊断模型进行训练，利用验证样本集进行正确率验证，获得最优模型；故障诊断模型由包括：IDSP浅层特征提取模块、Inception深层特征提取模块和反向DSC级联残差网络模块；将需要诊断故障的轴承一维振动信号预处理后，输入最优模型，获得对应的故障诊断结果。该方法通过多尺度特征提取、反向DSC级联残差网络的优化，使轴承故障诊断模型具备更高的特征提取能力、较强的抗噪性和泛化能力，确保在变工况和变噪声条件下也能保持高诊断准确率；同时还具备较少的参数量和较快的诊断速度。
-
公开(公告)号：CN119782890A
公开(公告)日：2025-04-08
申请号：CN202411955433.2
申请日：2024-12-28
Applicant: 兰州理工大学
IPC: G06F18/24 , G01M13/045 , G06F18/213 , G06F17/14 , G06F17/18 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于IPDSCS和Swin Transformer的轴承故障抗噪性诊断方法，包括：对轴承在不同工况下的振动信号进行采集，获得多组原始振动信号数据；对原始振动信号数据进行小波变换，转换为时频图像；构建基于改进的倒金字塔深度可分离卷积序列特征提取模型，对时频图像进行提取，得到多维度的特征向量；利用特征向量作为输入数据，基于Swin Transformer深度学习网络进行模型训练，建立轴承故障诊断模型；将待诊断的轴承振动信号输入轴承故障诊断模型，输出对应的故障类别。该方法通过小波变换去噪和IPDSCS特征提取方法，提高了信号处理的抗噪性；采用Swin Transformer网络对多维度特征进行多尺度建模，显著提升了故障诊断的精度和鲁棒性；实现对轴承故障的高精度诊断。
-
公开(公告)号：CN119470755A
公开(公告)日：2025-02-18
申请号：CN202411488524.X
申请日：2024-10-24
Applicant: 兰州理工大学
Abstract: 本发明公开了一种应用于气相色谱分析的数据处理方法，包括以下步骤：获取气相色谱分析仪中的样品信号；采用优化后的ICEEMDA算法将样品信号分解为多个本征模态函数IMF；其中，优化后的ICEEMDA算法通过约束惩罚水蛭优化算法进行参数获取；构建综合评价指标选择相应的本征模态函数IMF进行信号重构，获得降噪后的重构信号；通过峰值检测算法识别重构信号中的波峰，并使用高斯拟合提取波峰的相关参数；基于波峰的相关参数生成对应的分析报告。该方法通过优化ICEEMDA算法参数、采用综合评价指标筛选本征模态函数以及精细化的波峰检测步骤，提升了气相色谱分析领域中复杂样品信号处理的效率、噪声抑制能力和定量定性分析的准确性。
-
Patent Agency Ranking
公开(公告)号：CN118549132B
公开(公告)日：2024-12-17
申请号：CN202410768356.3
申请日：2024-06-14
Applicant: 兰州理工大学
IPC: G01M13/04 , G01M13/045
Abstract: 本发明公开了一种基于高频多尺度级联网络的滚动轴承故障诊断方法，包括：根据轴承振动信号应用高频多尺度级联网络对滚动轴承进行故障诊断，其中高频多尺度级联网络包括高频卷积块和多尺度级联块；高频卷积块，用于识别抑制振动信号中的高频噪声，得到振动特征；多尺度级联块，用于基于振动特征中脉冲信号的相关性，输出故障特征。本发明通过结合高频卷积块与多尺度级联块可增强模型的噪声抑制和特征学习能力，提高故障诊断的准确性、鲁棒性和可解释性。
-
公开(公告)号：CN117951604B
公开(公告)日：2024-09-06
申请号：CN202410208930.X
申请日：2024-02-26
Applicant: 兰州理工大学
IPC: G06F18/2415 , G06N3/084 , G06N3/0464 , G06V10/764
Abstract: 本发明公开了一种滚动轴承故障高效诊断方法及系统，属于转子故障诊断技术领域；该方法包括：将滚动轴承的一维振动信号转换为灰度图，从而减少噪声信号对原始信号的干扰；构建坐标Ghostbottleneck和自适应权重模块，利用Ghost模块加速模型速度，减少参数量，加入坐标注意力对通道间的关系进行建模，同时利用精确的位置信息捕获远程依赖性，以此来改良图像分类的性能；通过自适应权重模块在避免花费大量计算资源的同时充分利用了相似特征图，使得模型更加全面理解输入信号。本发明可以达到较高的准确率，模型具备良好抗噪能力，同时还具备较少的参数量以及较快的诊断速度，能够高效快速准确的进行滚动轴承故障诊断。
-
公开(公告)号：CN118549132A
公开(公告)日：2024-08-27
申请号：CN202410768356.3
申请日：2024-06-14
Applicant: 兰州理工大学
IPC: G01M13/04 , G01M13/045
Abstract: 本发明公开了一种基于高频多尺度级联网络的滚动轴承故障诊断方法，包括：根据轴承振动信号应用高频多尺度级联网络对滚动轴承进行故障诊断，其中高频多尺度级联网络包括高频卷积块和多尺度级联块；高频卷积块，用于识别抑制振动信号中的高频噪声，得到振动特征；多尺度级联块，用于基于振动特征中脉冲信号的相关性，输出故障特征。本发明通过结合高频卷积块与多尺度级联块可增强模型的噪声抑制和特征学习能力，提高故障诊断的准确性、鲁棒性和可解释性。
-
公开(公告)号：CN119509973A
公开(公告)日：2025-02-25
申请号：CN202411713521.1
申请日：2024-11-27
Applicant: 兰州理工大学
Inventor： 张亚洲 , 赵小强 , 徐锦涛 , 徐蓉蓉 , 刘凯 , 柴靖轩 , 宋昭漾 , 惠永永 , 陈鹏 , 牟淼 , 梁浩鹏 , 强睿儒 , 张妍 , 郭海科 , 姚青磊 , 李森 , 安贵财 , 毛高磊
IPC: G01M13/04 , G01M13/045
Abstract: 本发明公开了一种滚动轴承的小样本故障诊断方法与系统，其中方法包括：基于输出模块和三个结构相同的残差模块构建故障诊断模型；获取待测滚动轴承数据并输入至故障诊断模型，通过残差模块中的kaconv卷积层处理得到提取特征；基于提取特征依次输入至批量归一化层和第一激活层，得到输出特征；基于输出特征输入至双注意力模块，得到增强特征；基于增强特征与待测滚动轴承数据输入至第一融合层融合后输入至第一最大池化层，得到融合增强特征；基于融合增强特征依次输入至两个残差模块得到最终融合增强特征；基于最终融合增强特征输入至输出模块，得到最终诊断结果。提升了小样本下的滚动轴承的故障诊断精度。
-
公开(公告)号：CN117951604A
公开(公告)日：2024-04-30
申请号：CN202410208930.X
申请日：2024-02-26
Applicant: 兰州理工大学
IPC: G06F18/2415 , G06N3/084 , G06N3/0464 , G06V10/764
Abstract: 本发明公开了一种滚动轴承故障高效诊断方法及系统，属于转子故障诊断技术领域；该方法包括：将滚动轴承的一维振动信号转换为灰度图，从而减少噪声信号对原始信号的干扰；构建坐标Ghostbottleneck和自适应权重模块，利用Ghost模块加速模型速度，减少参数量，加入坐标注意力对通道间的关系进行建模，同时利用精确的位置信息捕获远程依赖性，以此来改良图像分类的性能；通过自适应权重模块在避免花费大量计算资源的同时充分利用了相似特征图，使得模型更加全面理解输入信号。本发明可以达到较高的准确率，模型具备良好抗噪能力，同时还具备较少的参数量以及较快的诊断速度，能够高效快速准确的进行滚动轴承故障诊断。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.026 seconds)
