公开(公告)号：CN113639993B

公开(公告)日：2022-06-07

申请号：CN202110942153.8

申请日：2021-08-17

Applicant: 燕山大学

Inventor： 谢平 ,  崔健 ,  江国乾 ,  王霄 ,  何群 ,  张志明 ,  武鑫 ,  李小俚

IPC: G01M13/021 ,  G01M13/028 ,  F03D17/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及风力发电机组故障诊断技术领域，多模态多任务卷积神经网络的齿轮箱故障诊断方法，获取齿轮箱的多传感器数据，对数据进行连续小波变换作为预处理；将预处理得到的小波图像并行输入到多个卷积网络中进行特征学习后，获得的多通道特征输入到动态加权模块中进行加权，构成特征空间矩阵；将所获得的的特征空间矩阵输入到多任务模块中进行处理，主任务为分类任务，将所获得的的特征空间矩阵输入到softmax层进行分类，辅助任务为多模态信号典型相关分析，将得到的结果反馈给主任务，提升主任务的分类精度；本发明有效提取并融合了故障特征，并以相关性分析的方法改善了分类的效果，提高了故障诊断和分类的精度和效果。

公开(公告)号：CN113656915A

公开(公告)日：2021-11-16

申请号：CN202110955129.8

申请日：2021-08-19

Applicant: 燕山大学

Inventor： 江国乾 ,  周文达 ,  谢平 ,  范伟鹏 ,  王俪瑾 ,  张志明 ,  何群

IPC: G06F30/17 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度注意力网络的轴承剩余寿命预测方法，属于轴承剩余寿命预测技术领域，包括以下步骤：设计并利用小波多尺度频带注意力模块，从原始信号中抽取时频信息，自动对轴承退化敏感频带进行筛选；通过混合膨胀卷积捕获不同频带间的空间特征和单一频带的时序特征；进一步构建特征注意力模块自动选择对轴承寿命预测贡献大的时空特征序列；利用回归层对轴承的剩余寿命进行预测。本发明通过小波多尺度频带注意力模块和混合膨胀卷积注意力网络结合，从包含大量噪声和干扰的原始数据中抽取时频信息并自动学习和选择时空特征，能够提高预测精度和模型鲁棒性，为轴承剩余寿命预测领域提供了新的途径。

公开(公告)号：CN109173767A

公开(公告)日：2019-01-11

申请号：CN201811371796.6

申请日：2018-11-15

Applicant: 燕山大学

Inventor： 白明华 ,  郭延军 ,  赵永和 ,  张志明 ,  任素波

IPC: B01F5/24 ,  B01F15/00 ,  B01J2/00

Abstract: 本发明涉及一种智能型混匀制粒一体化圆筒混合机，包括筒体、柔性传动装置、轮胎支承组可倾动底座、刮刀装置和检测装置。筒体通过轮胎支承组支撑在可倾动底座上并通过柔性传动装置驱动，筒体内壁沿轴线方向均布多块混匀扬料板和制粒扬料板，且混匀扬料板的高度大于制粒扬料板的高度，混匀扬料板与制粒扬料板之间设置梯形的过渡扬料板。本发明通过筒体内部设置变高度的扬料板的方式，使一台圆筒混合机具备满足混匀和制粒两种功能，缩短生产工艺流程，减小占地面积，减轻设备重量。同时，采用可倾动底座和自动检测系统实现对设备的智能化控制，与智能化混合机混合工艺系统配合达到节能、高效、安全使用效果，具有较高的推广使用价值。

公开(公告)号：CN113656915B

公开(公告)日：2023-08-25

申请号：CN202110955129.8

申请日：2021-08-19

Applicant: 燕山大学

Inventor： 江国乾 ,  周文达 ,  谢平 ,  范伟鹏 ,  王俪瑾 ,  张志明 ,  何群

IPC: G06F30/17 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于深度注意力网络的轴承剩余寿命预测方法，属于轴承剩余寿命预测技术领域，包括以下步骤：设计并利用小波多尺度频带注意力模块，从原始信号中抽取时频信息，自动对轴承退化敏感频带进行筛选；通过混合膨胀卷积捕获不同频带间的空间特征和单一频带的时序特征；进一步构建特征注意力模块自动选择对轴承寿命预测贡献大的时空特征序列；利用回归层对轴承的剩余寿命进行预测。本发明通过小波多尺度频带注意力模块和混合膨胀卷积注意力网络结合，从包含大量噪声和干扰的原始数据中抽取时频信息并自动学习和选择时空特征，能够提高预测精度和模型鲁棒性，为轴承剩余寿命预测领域提供了新的途径。

公开(公告)号：CN113639993A

公开(公告)日：2021-11-12

申请号：CN202110942153.8

申请日：2021-08-17

Applicant: 燕山大学

Inventor： 谢平 ,  崔健 ,  江国乾 ,  王霄 ,  何群 ,  张志明 ,  武鑫 ,  李小俚

IPC: G01M13/021 ,  G01M13/028 ,  F03D17/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及风力发电机组故障诊断技术领域，多模态多任务卷积神经网络的齿轮箱故障诊断方法，获取齿轮箱的多传感器数据，对数据进行连续小波变换作为预处理；将预处理得到的小波图像并行输入到多个卷积网络中进行特征学习后，获得的多通道特征输入到动态加权模块中进行加权，构成特征空间矩阵；将所获得的的特征空间矩阵输入到多任务模块中进行处理，主任务为分类任务，将所获得的的特征空间矩阵输入到softmax层进行分类，辅助任务为多模态信号典型相关分析，将得到的结果反馈给主任务，提升主任务的分类精度；本发明有效提取并融合了故障特征，并以相关性分析的方法改善了分类的效果，提高了故障诊断和分类的精度和效果。