公开(公告)号：CN113715334A

公开(公告)日：2021-11-30

申请号：CN202110989920.0

申请日：2021-08-26

Applicant: 哈尔滨工程大学

Inventor： 张兰勇 ,  吕鹏程 ,  马士策 ,  魏伦潘 ,  孔令琦 ,  贺坤

IPC: B29C64/227 ,  B33Y30/00

Abstract: 本发明属于3D打印设备技术领域，具体涉及一种便携折叠3D打印机。本发明仅通过一组丝杠驱动模块即可实现两组X轴垂直升降结构的远离电机端左右同步移动，同时丝杠驱动模块的丝杠设置在打印平台下方，电源与电路板之间，能够避免由于丝杠驱动模块的重量导致打印机侧偏和重心高的问题，同时使得X轴垂直升降结构的运动较为稳定。本发明能够快速折叠携带，同时打印喷头沿Z轴垂直升降时更加稳定，折叠结构自由度高，摆脱同类打印机需要支撑臂的限制。

公开(公告)号：CN118294143A

公开(公告)日：2024-07-05

申请号：CN202410399346.7

申请日：2024-04-03

Applicant: 哈尔滨工程大学

Inventor： 魏伦潘 ,  彭秀艳 ,  曹云鹏

IPC: G01M13/045 ,  G06F18/2415 ,  G06F18/213 ,  G06F18/27 ,  G06N3/0464 ,  G06N3/045 ,  G06N3/0442 ,  G06F123/02

Abstract: 本发明涉及轴承故障诊断领域，更具体的说是一种基于Inception模型的轴承故障诊断方法，该方法基于引入长短时记忆网络(LSTM)分支的Inception模型，该分支可以捕捉数据的时序依赖性信息；该方法包括以下步骤：步骤S1：获取轴承原始振动信号；步骤S2：在Inception模型中引入长短时记忆网络(LSTM)支路；步骤S3：振动信号输入到Inception模型中提取空间及时序特征；步骤S4：空间及时序特征输入到搭建好的卷积神经网络(CNN)模型中；步骤S5：完成轴承的故障诊断工作；该方法能够提升所提取特征信息的全面性，进而提高轴承故障诊断精度。

公开(公告)号：CN118130092A

公开(公告)日：2024-06-04

申请号：CN202410399766.5

申请日：2024-04-03

Applicant: 哈尔滨工程大学

Inventor： 魏伦潘 ,  彭秀艳 ,  曹云鹏

IPC: G01M13/045 ,  G06N3/0464 ,  G06N3/088 ,  G06N3/09 ,  G06N3/0455

Abstract: 本发明涉及轴承故障诊断领域，更具体的说是一种基于VMD‑Hilbert和SDAE‑CNN的轴承故障诊断方法，采用变分模态分解(VMD)和希尔伯特变换方法(Hilbert)获取原始振动信号的包络谱图，构建轴承故障高维特征集；结合堆栈降噪自编码器(SDAE)对高维特征集进行降维压缩处理获取低维特征量，将压缩后的低维特征量输入到卷积神经网络(CNN)；可以将变分模态分解(VMD)算法和包络解调技术相结合，并采用无监督学习模型堆栈降噪自编码器(SDAE)进行特征压缩，最后输入监督学习模型卷积神经网络(CNN)中，完成轴承的智能诊断任务，提高轴承故障诊断精度。

公开(公告)号：CN119167023A

公开(公告)日：2024-12-20

申请号：CN202410993263.0

申请日：2024-07-24

Applicant: 哈尔滨工程大学

Inventor： 魏伦潘 ,  彭秀艳 ,  曹云鹏

IPC: G06F18/20 ,  G01M13/045 ,  G06F18/2131 ,  G06F18/2415 ,  G06F18/25 ,  G06N3/042 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明涉及轴承故障诊断领域，更具体的说是一种基于多尺度图Transformer的轴承故障诊断方法，该方法包括以下步骤：步骤S1：获取轴承的振动信号；步骤S2：对获取的振动信号进行预处理；步骤S3：通过小波变换将振动信号转换为时频图；步骤S4：构建故障特征表示节点的邻接矩阵；步骤S5：利用多尺度图Transformer框架对故障特征进行提取和聚合；步骤S6：通过图节点的中心性编码技术和空间编码技术，获得结构洞察；步骤S7：利用多头自注意力机制促进故障节点的特征提取和学习；步骤S8：将学习后的特征输入分类器，进行故障分类；可以将多尺度特征聚合模块和图节点的中心性编码与空间编码技术结合以用于轴承故障诊断，从而提高故障诊断精度。

公开(公告)号：CN117495812A

公开(公告)日：2024-02-02

申请号：CN202311476753.5

申请日：2023-11-08

Applicant: 哈尔滨工程大学

Inventor： 魏伦潘 ,  曹云鹏 ,  彭秀艳

IPC: G06T7/00 ,  G06V10/44 ,  G06V10/762 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及轴承故障诊断领域，更具体的说是一种滚动轴承故障诊断方法，通过格拉姆角差场编码GADF将滚动轴承的振动信号转换成二维图像，将通道注意力模块Fca嵌入残差网络模型ResNet构建故障诊断模型Fca‑ResNet，将二维图像输入到故障诊断模型Fca‑ResNet中实现故障分类以用于滚动轴承故障诊断；可以将格拉姆角差场与残差网络相结合，并在残差网络中嵌入通道注意力模块，以用于滚动轴承故障诊断，从而提高故障诊断精度。