公开(公告)号：CN115127814A

公开(公告)日：2022-09-30

申请号：CN202210863740.2

申请日：2022-07-20

Applicant: 燕山大学

Inventor： 温江涛 ,  雷鸣 ,  孙洁娣 ,  刘仲雨 ,  张哲 ,  丁泽行

IPC: G01M13/045

Abstract: 本发明公开了一种基于自适应残差对抗网络的无监督轴承故障诊断方法，包括如下步骤：步骤S1、生成源域分类网络模型，根据轴承历史振动信号监督训练得到特征提取器和源域分类器；步骤S2、生成基于自适应残差对抗网络的无监督轴承故障诊断模型，根据不同工况轴承历史振动信号优化基于自适应残差对抗网络的无监督模型的参数；步骤S3、基于目标轴承振动实测值进行轴承故障诊断。本发明采用深度残差网络提取源域和目标域原始振动数据的深度特征，采用对抗学习和改进多核最大均值差异来同时精准对齐源域和目标域的边缘概率分布和条件概率分布，并实现了跨域轴承故障诊断并具有较高的识别准确率及泛化性能。

公开(公告)号：CN115358259A

公开(公告)日：2022-11-18

申请号：CN202210890389.6

申请日：2022-07-27

Applicant: 燕山大学

Inventor： 温江涛 ,  刘仲雨 ,  孙洁娣 ,  雷鸣 ,  丁泽行 ,  张哲

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G01M13/045

Abstract: 本发明涉及一种基于自学习的无监督跨工况轴承故障诊断方法，属于滚动轴承故障诊断技术领域，包括构建无监督跨工况轴承故障诊断模型，构建实际任务训练样本集，对实际任务训练样本集中的数据进行相应的自学习变换，生自监督任务数据集，将自监督任务数据集输入到模型中，通过最小化特征差异损失、最大化第一域鉴别器损失及最小化第一标签预测损失对模型进行自监督预训练；冻结自监督预训练任务中特征提取器的浅层参数，将实际任务数据集输入到模型中，通过最小化特征差异损失、最大化第二域鉴别器损失及最小化第二标签预测损失，对模型进行实际任务训练。本发明解决了由于难以获取大量有标签的优质数据而导致的轴承故障诊断准确率较低的技术难题。

公开(公告)号：CN115452376B

公开(公告)日：2025-02-14

申请号：CN202210937231.X

申请日：2022-08-05

Applicant: 燕山大学

Inventor： 孙洁娣 ,  刘钊 ,  温江涛

IPC: G01M13/045

Abstract: 本发明公开了基于改进轻量级深度卷积神经网络的轴承故障诊断方法，属于旋转机械设备中滚动轴承部件故障监测领域。首先将传感器采集到的振动信号划分为多个等长度的数据样本，并将其转换为图像数据，给每类样本标注故障标签，划分训练数据集和测试数据集；再将划分好的数据集用于训练构建的轴承故障诊断模型，得到预训练模型。对预训练模型剪枝，剔除模型中的冗余参数，得到轻量级模型；最后再用数据集微调剪枝后的模型，恢复模型的诊断性能，得到具有高诊断性能的轻量化模型。本发明的轴承故障诊断模型体积小，训练时间短，响应速度快，在实际工业应用中能准确，更快速的识别轴承故障。

公开(公告)号：CN115452376A

公开(公告)日：2022-12-09

申请号：CN202210937231.X

申请日：2022-08-05

Applicant: 燕山大学

Inventor： 孙洁娣 ,  刘钊 ,  温江涛

IPC: G01M13/045

Abstract: 本发明公开了基于改进轻量级深度卷积神经网络的轴承故障诊断方法，属于旋转机械设备中滚动轴承部件故障监测领域。首先将传感器采集到的振动信号划分为多个等长度的数据样本，并将其转换为图像数据，给每类样本标注故障标签，划分训练数据集和测试数据集；再将划分好的数据集用于训练构建的轴承故障诊断模型，得到预训练模型。对预训练模型剪枝，剔除模型中的冗余参数，得到轻量级模型；最后再用数据集微调剪枝后的模型，恢复模型的诊断性能，得到具有高诊断性能的轻量化模型。本发明的轴承故障诊断模型体积小，训练时间短，响应速度快，在实际工业应用中能准确，更快速的识别轴承故障。