公开(公告)号：CN119783565A

公开(公告)日：2025-04-08

申请号：CN202510285952.0

申请日：2025-03-12

Applicant: 燕山大学

Inventor： 李继猛 ,  杨碧馨 ,  钟赛 ,  张金凤 ,  孟宗

IPC: G06F30/27 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/098 ,  G06N3/094 ,  G06V10/764 ,  G06F119/04

Abstract: 本发明公开了一种基于个性化联邦学习的滚动轴承剩余寿命预测方法，属于滚动轴承剩余寿命预测领域，该方法将不同运行工况下采集到的滚动轴承全生命周期振动数据存储于多个客户端，一个服务器与多个客户端协同工作，为客户端建立个性化预测模型。在服务器端采用动态加权联邦聚合策略将多个客户端聚合成一个全局模型，提升聚合全局模型对多工况数据的感知能力；在客户端采用对抗训练和自适应融合策略，将服务器聚合的全局模型与本地模型进行有效融合，提升本地模型的泛化能力。客户端本地模型采用多尺度卷积与门控循环单元并行交叉注意特征提取模块，以捕获数据中的时空特征信息。本发明能够提升不同工况下滚动轴承的剩余寿命预测精度和泛化性能。

公开(公告)号：CN117932216A

公开(公告)日：2024-04-26

申请号：CN202410112965.3

申请日：2024-01-26

Applicant: 燕山大学

Inventor： 李继猛 ,  王玮 ,  高杰 ,  钟赛 ,  张金凤 ,  孟宗

IPC: G06F18/00 ,  G06F18/10 ,  G06F18/25 ,  G06F18/2415 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06F123/02

Abstract: 本发明公开了一种基于多任务学习的旋转机械复合故障诊断方法，涉及旋转机械故障诊断技术领域。该方法包括如下步骤：S1、采集旋转机械在不同健康状态下运行时的原始振动信号；S2、将采集到的原始振动信号利用滑动窗进行重叠分割来构造样本数据集，并采用变分模态分解和希尔伯特黄变换将样本数据集中的每个样本数据转换为时频图，进而构造训练数据集和测试数据集；S3、利用训练数据集对复合故障多任务诊断模型进行训练，并将训练好的复合故障多任务诊断模型用于测试数据集分析，从而得到测试数据的故障诊断结果。本发明能够在仅采用单一故障状态和正常状态的数据样本对深度模型进行训练的前提下，实现对未知复合故障的解耦诊断。