公开(公告)号：CN118410275A

公开(公告)日：2024-07-30

申请号：CN202410449405.7

申请日：2024-04-15

Applicant: 哈尔滨理工大学

Inventor： 陈寅生 ,  强俞康 ,  琚泽东 ,  陈心怡 ,  居超

IPC: G06F18/10 ,  G01M13/045 ,  G06F18/214 ,  G06N3/0475 ,  G06N3/094

Abstract: 本发明公开了一种有限数据条件下的滚动轴承故障诊断方法，所述方法通过使用连续小波变换进行预处理，有效避免了轴承振动信号具有的非线性和非平稳性的缺点，同时其具有一定的去噪效果；通过特征映射重构模块构建生成器，可使上采样过程不再基于像素点的空间位置而是基于特征的内容，可以有效避免棋盘效应的产生。同时，局部区域中特征点的重要信息可以得到更多的关注，所以重组生成的特征图的语义信息可以比原始特征图更强。再在鉴别器中加入坐标注意力机制，使得模型可以考虑特征图通道信息和空间位置信息之间的关系，能够提升整体的特征提取能力，且根据特征的重要性赋予权重，保证提取的特征信息的完整性，最终提升生成样本的质量。

公开(公告)号：CN118533476B

公开(公告)日：2025-03-04

申请号：CN202410570406.7

申请日：2024-05-09

Applicant: 哈尔滨理工大学

Inventor： 陈寅生 ,  琚泽东 ,  强俞康 ,  居超 ,  陈心怡

IPC: G01M13/045 ,  G06F18/213 ,  G06F18/214 ,  G06F18/24 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/09

Abstract: 本发明公开了一种基于振动信号延拓和时频信息融合网络的轴承故障诊断方法，所述方法包括如下步骤：步骤1：通过加速度传感器获取并输入轴承的一维振动信号；步骤2：为数据集的各个数据打上故障类别标签，并随机划分为训练样本集和测试样本集；步骤3：通过VSE方法增加训练样本的数量和多样性；步骤4：构建TFIF‑Net，并初始化权重和偏置；步骤5：通过监督训练调整TFIF‑Net的权重和偏差，直到达到指定的迭代次数，完成诊断模型的训练；步骤6：输入训练样本集，获得分类结果。本发明所提出的方法不仅在小样本轴承故障诊断领域具有实际应用价值，还为其他面临小样本限制的分类和诊断任务提供了新的研究思路。

公开(公告)号：CN118533476A

公开(公告)日：2024-08-23

申请号：CN202410570406.7

申请日：2024-05-09

Applicant: 哈尔滨理工大学

Inventor： 陈寅生 ,  琚泽东 ,  强俞康 ,  居超 ,  陈心怡

IPC: G01M13/045 ,  G06F18/213 ,  G06F18/214 ,  G06F18/24 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/09

Abstract: 本发明公开了一种基于振动信号延拓和时频信息融合网络的轴承故障诊断方法，所述方法包括如下步骤：步骤1：通过加速度传感器获取并输入轴承的一维振动信号；步骤2：为数据集的各个数据打上故障类别标签，并随机划分为训练样本集和测试样本集；步骤3：通过VSE方法增加训练样本的数量和多样性；步骤4：构建TFIF‑Net，并初始化权重和偏置；步骤5：通过监督训练调整TFIF‑Net的权重和偏差，直到达到指定的迭代次数，完成诊断模型的训练；步骤6：输入训练样本集，获得分类结果。本发明所提出的方法不仅在小样本轴承故障诊断领域具有实际应用价值，还为其他面临小样本限制的分类和诊断任务提供了新的研究思路。