公开(公告)号：CN114358080B

公开(公告)日：2024-11-19

申请号：CN202210003381.3

申请日：2022-01-04

Applicant: 大连理工大学

Inventor： 刘学军 ,  李宏坤 ,  孙伟

IPC: G06F18/211 ,  G06F18/214 ,  G01M13/045 ,  G06N3/045 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种基于生成对抗网络的轴承振动监测特征阈值自学习方法，步骤如下：获取轴承振动加速度信号；对加速度信号进行去均值和分割，得到同一工况下的众多振动信号样本集；采用卷积池化层和全连接层构建自学习神经网络模型的判别器，采用反卷积层构建自学习样本生成器，利用振动信号样本集训练自学习神经网络模型；利用训练好的自学习神经网络模型样本生成器生成振动信号样本进行特征值计算；将特征值乘以一定倍数定义为特征阈值，提供设备监测使用。本方法避免人为设置特征阈值，能自动根据设备运行规律给出轴承振动信号特征阈值的动态调整，同时在轴承运行多工况背景下，该方法能给出对应的特征阈值，使得轴承振动监测更加智能化。

公开(公告)号：CN116383750A

公开(公告)日：2023-07-04

申请号：CN202310379055.7

申请日：2023-04-11

Applicant: 大连理工大学

Inventor： 李宏坤 ,  李强 ,  刘学军 ,  陈玉刚

IPC: G06F18/2433 ,  G01M13/045 ,  G06F18/213 ,  G06F17/16

Abstract: 本发明属于早期异常检测技术领域，公开了一种基于加窗差分健康指标的滚动轴承早期异常检测方法。其包括如下几个步骤：提取滚动轴承振动信号时域、时‑频域特征参数；基于特征参数构建马氏参考空间；计算滚动轴承样本空间马氏距离；基于累积和方法处理马氏距离以得到更具单调性与稳定性的健康指标；基于加窗差分健康指标方法，对健康指标进行加窗差分运算，结合给定的阈值，最终实现滚动轴承的早期异常检测。本发明能够有效滤除健康指标中因随机噪声干扰产生的异常信息，实现滚动轴承早期异常点的合理有效识别，有助于减少由误报警造成的设备多次停机。

公开(公告)号：CN116360344A

公开(公告)日：2023-06-30

申请号：CN202310253829.1

申请日：2023-03-16

Applicant: 大连理工大学 ,  沈阳透平机械股份有限公司

Inventor： 代月帮 ,  李宏坤 ,  刘学军 ,  欧佳玉 ,  曹顺心 ,  包翠敏 ,  杨树华 ,  刘海波 ,  雍建华

IPC: G05B19/408

Abstract: 本发明属于机械制造领域，提出一种球头铣刀五轴数控小径向切深中加工稳定性分析方法，建立了考虑跳动的球头铣刀五轴数控加工动力学模型，开发了跳动影响下的刀具‑工件接触区域边界高效构建模型，研制了准确高效地确定每个切削微元所对应的时滞周期的CWE分离技术，实现了球头铣刀五轴数控小径向切深下的加工稳定性高效、高精度预报，对实现高性能数控铣削具有意义重大。

公开(公告)号：CN116522616A

公开(公告)日：2023-08-01

申请号：CN202310419847.2

申请日：2023-04-19

Applicant: 大连理工大学

Inventor： 李宏坤 ,  李强 ,  刘学军 ,  陈玉刚

IPC: G06F30/20 ,  G01M13/04 ,  G06F30/17 ,  G06F18/00 ,  G06F18/10 ,  G06F119/04 ,  G06F119/10 ,  G06F119/12 ,  G06F123/02

Abstract: 本发明属于失效时间判定技术领域，公开了一种滚动轴承失效时间自适应确定方法，其包括步骤如下：计算滚动轴承健康指标增量；高斯化处理滚动轴承健康指标增量；将高斯化处理后的健康指标增量进行均值与标准差估计；基于6‑sigma准则，计算滚动轴承自适应失效阈值的上、下限；结合失效阈值，采用连续触发机制，最终确定滚动轴承的失效时间。本发明能够自适应确定滚动轴承的失效阈值与对应的失效时间，不受限于人为给定的固定失效阈值，同时不受设备差异与工况差异的影响，在滚动轴承失效时间的确定过程中具有自适应的特点。

公开(公告)号：CN114358080A

公开(公告)日：2022-04-15

申请号：CN202210003381.3

申请日：2022-01-04

Applicant: 大连理工大学

Inventor： 刘学军 ,  李宏坤 ,  孙伟

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

Abstract: 一种基于生成对抗网络的轴承振动监测特征阈值自学习方法，步骤如下：获取轴承振动加速度信号；对加速度信号进行去均值和分割，得到同一工况下的众多振动信号样本集；采用卷积池化层和全连接层构建自学习神经网络模型的判别器，采用反卷积层构建自学习样本生成器，利用振动信号样本集训练自学习神经网络模型；利用训练好的自学习神经网络模型样本生成器生成振动信号样本进行特征值计算；将特征值乘以一定倍数定义为特征阈值，提供设备监测使用。本方法避免人为设置特征阈值，能自动根据设备运行规律给出轴承振动信号特征阈值的动态调整，同时在轴承运行多工况背景下，该方法能给出对应的特征阈值，使得轴承振动监测更加智能化。