公开(公告)号：CN102539825A

公开(公告)日：2012-07-04

申请号：CN201010577494.1

申请日：2010-12-07

Applicant: 东南大学 ,  扬州神州风力发电机有限公司

Inventor： 胡建中 ,  许中奎 ,  尤林 ,  贾民平 ,  许飞云 ,  钟秉林

IPC: G01P5/06

Abstract: 一种基于风速重采样技术的风速谱获取方法：在风力发电机上安装一个风杯式风速仪，并对风速仪输出的脉冲间隔与实时风速进行采集，获取实时风速离散序列{V1，V2，...，Vk，...Vn}，n为正整数，k为区间[1，n]上的正整数；利用三次样条对实时风速离散序列进行连续化处理，获取连续风速时程曲线；确定采样频率与采样长度，对连续风速时程曲线进行等时间间隔采样，并进行频谱分析，得到实际的瞬时风速谱。本发明基于样条技术对风杯风速仪输出的脉冲信号采样后得到的实时风速序列进行连续化处理获取连续风速时程曲线，并对连续风速时程进行重采样处理，为风力发电机动态载荷分析或振动分析提供精确的瞬时风载荷信息。

公开(公告)号：CN101436046B

公开(公告)日：2010-10-06

申请号：CN200810243815.7

申请日：2008-12-08

Applicant: 东南大学 ,  江阴众和电力仪表有限公司

Inventor： 许飞云 ,  贾民平 ,  胡建中 ,  刘桂兴

IPC: G05B19/048

Abstract: 一体化多通道同步振动数据采集及监视与分析诊断装置，数据采集单元包括信号调理电路、抗混滤波电路、多通道同步采样芯片、系统控制逻辑单元、脉冲整形电路(16)、锁相倍频芯片和微处理器CPU构成，系统控制逻辑单元包括通道配置逻辑、时钟产生逻辑、转速测量逻辑、采样控制逻辑诸单元和分频器构成，所述数据采集单元(1)直接连接多个涡流式振动位移传感器、ICP型压电式振动加速度传感器或磁电式振动速度传感器，并具有单通道可直接连接涡流式、光电式或磁电式等键相/转速传感器接口一体化多通道同步振动数据采集及监视与分析诊断装置。CPU核心板通过网络、USB或串行接口与计算机或掌上电脑互连，完成数据采集，供监视与分析诊断。

公开(公告)号：CN101173868A

公开(公告)日：2008-05-07

申请号：CN200710131415.2

申请日：2007-08-28

Applicant: 东南大学

Inventor： 贾民平 ,  许飞云 ,  黄鹏 ,  赵薇 ,  胡建中 ,  钟秉林

IPC: G01F23/22 ,  G01P15/097

Abstract: 本发明公开了一种基于球磨机旋转筒体振动信号的料位检测方法及其检测装置，该方法包括以下步骤：A)在球磨机滚筒上安装一个振动加速度传感器，B)设置数据采集参数，计算传感器采集一组数据测点转过的周向角度L，C)确定传感器在筒体上数据采集的周向区域，并得到球磨机筒体上钢球的最大冲击点与料位之间的关系，D)通过传感器在各周向位置拾取滚筒内钢球与煤、钢球与钢球及钢球与筒壁之间的冲击振动信号，E)确定筒体上钢球的最大冲击点，F)计算出球磨机该状态下的料位值。本发明所用的检测装置，包括球磨机筒体，在球磨机筒体上设有振动加速度传感器。本发明采用的方法能够实时、准确地检测料位，并能克服煤种、煤的含水量、煤的粒度变化等众多因素对测量结果带来的影响。

公开(公告)号：CN115452889B

公开(公告)日：2025-04-22

申请号：CN202211050790.5

申请日：2022-08-30

Applicant: 东南大学

Inventor： 张茜贝 ,  胡建中 ,  许飞云

IPC: G01N25/72 ,  G01J5/48 ,  G01J5/00 ,  G06T7/13

Abstract: 本发明公开了一种基于红外热像序列的材料损伤缺陷边缘提取方法，解决了由红外热像序列中材料损伤缺陷边缘自适应提取的问题，其技术方案要点包括：首先获取原始材料降温过程红外热图像序列，然后根据各像素点对应的温度序列计算衰减速率，获得试件衰减速率特征图，再对特征图中元素对应衰减速率特征值分别以行、列构建拟合每行、每列对应的特征曲线函数，对特征曲线函数进行求一次导数，得到试件衰减加速度图，最后从试件衰减加速度图上搜索极值点，连接所求得极值点得到损伤缺陷边缘，实现材料损伤缺陷边缘提取。

公开(公告)号：CN119125324B

公开(公告)日：2025-03-18

申请号：CN202411145991.2

申请日：2024-08-20

Applicant: 江苏省特种设备安全监督检验研究院 ,  东南大学

Inventor： 李学洪 ,  马容忠 ,  贾尚谊 ,  胡建中 ,  荣双成 ,  许飞云

IPC: G01N29/44 ,  G01N29/12 ,  G06F30/27 ,  G06F17/13 ,  G06N3/0499 ,  G06N3/08 ,  G06F119/08

Abstract: 本发明涉及一种基于拟合偏差寻优PINN的薄板热环境下固有频率检测方法。该方法包括：确定薄板热环境下的控制方程；根据待检测薄板的基本参数，进而建立模型，通过拟合偏差寻优算法选择控制方程数据点，并获取训练数据；搭建前向神经网络预测薄板中性面挠度，计算网络残差；通过自动微分模块获取预测挠度对各参数的偏微分，计算控制方程残差与边界条件残差；获取网络最终的损失函数；迭代更新神经网络参数降低损失函数完成训练，得到模型并计算热环境下薄板的固有频率。本发明的技术方案能够实现快速准确检测薄板热环境下的固有频率。

公开(公告)号：CN114518412B

公开(公告)日：2025-02-28

申请号：CN202210001189.0

申请日：2022-01-04

Applicant: 东南大学

Inventor： 宋狄 ,  许飞云 ,  胡建中 ,  贾民平 ,  黄鹏

IPC: G01N29/12 ,  G01N29/44

Abstract: 本发明公开了一种基于自适应随机共振的叶片裂纹故障识别方法及应用，其中叶片裂纹故障识别方法，包括：采集叶片轴振动信号，计算信号噪声强度；使对叶片叶振动信号进行分解，得到若干个不同频段的分量，根据中心频段分量挑选分量并进行信号重组；计算重组信号的幅值；根据信号噪声强度和重组信号的幅值，估计信号输入信噪比；根据信噪比和随机共振最优参数的关系，得到随机共振最优参数分布圆；确定重组信号的随机共振参数中心值和范围；使用遗传算法进行参数优化，并得到最优随机共振输出，实现压缩机叶片裂纹的故障识别。本发明简单易行，相比于其他现有随机共振技术能够自适应地精确实现压缩机叶片裂纹故障识别。

公开(公告)号：CN114564986B

公开(公告)日：2024-11-08

申请号：CN202210159676.X

申请日：2022-02-21

Applicant: 东南大学

Inventor： 胡建中 ,  方波 ,  许飞云 ,  贾民平 ,  黄鹏

IPC: G06F18/213 ,  G06F18/15 ,  G01M99/00 ,  G01M13/045

Abstract: 本发明涉及一种最小化周期性噪声幅值比解卷积特征提取方法，包括以下步骤：S1、采集旋转机械的加速度信号，确定待探测故障类型的故障周期以及最大迭代次数；S2、采用服从正态分布的随机数初始化一个FIR滤波器；S3、利用所述FIR滤波器对加速度信号滤波并计算滤波信号的周期性噪声幅值比；S4、计算所述周期性噪声幅值比的梯度；S5、通过RMSProp算法更新所述FIR滤波器的值，使得滤波信号的周期性噪声幅值比下降；S6、重复S3‑S5，达到最大迭代次数时输出滤波后的信号。本发明能够增强旋转机械故障激发的周期性冲击特征，为旋转机械故障诊断和健康状态监测提供准确的计算依据。

公开(公告)号：CN114091349B

公开(公告)日：2024-11-08

申请号：CN202111447955.8

申请日：2021-11-30

Applicant: 东南大学

Inventor： 贾民平 ,  丁逸飞 ,  黄鹏 ,  胡建中 ,  许飞云

IPC: G06F30/27 ,  G06F119/04

Abstract: 本发明涉及一种基于多源领域自适应的滚动轴承寿命预测方法，包括步骤如下：在多种工况条件下采集滚动轴承的全寿命、多通道振动信号，构建多源域轴承全寿命数据集；对经过降噪预处理的多通道振动信号提取时频域特征；确定超参数以构建多源领域自适应网络，使用多源域和目标域训练数据集训练该网络实现回归误差最小化和多源领域自适应；收集测试数据并导入训练完成的多源领域自适应网络以获得剩余寿命预测。本发明的多工况滚动轴承寿命预测方法采用的模型具有泛化能力强、鲁棒性强、准确度高等优点。

公开(公告)号：CN113947012B

公开(公告)日：2024-11-08

申请号：CN202111067866.0

申请日：2021-09-13

Applicant: 东南大学

Inventor： 贾民平 ,  庄集超 ,  黄鹏 ,  胡建中 ,  许飞云

IPC: G06F30/27 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/094 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/082 ,  G06F119/04

Abstract: 本发明公开了一种对抗性度量卷积网络的旋转机械健康评估方法，包括以下步骤：采用连续小波变换将采集的旋转机械振动信号转换为时频图，并划分数据集和标记寿命值；构建对抗性度量卷积网络；将数据输入至网络；采用源特征提取器提取源特征；将源特征输入至回归器，预测寿命值；将源特征提取器的参数迁移至目标特征提取器；采用目标特征提取器提取目标特征；将源和目标特征输入至对抗判别器，并将目标特征和目标数据输入至信息对比器；更新参数；将目标特征提取器和回归器组合，实现对旋转机械健康评估。本发明能够较准确的对旋转机械健康状态进行监测。

公开(公告)号：CN113807405B

公开(公告)日：2024-08-20

申请号：CN202110973901.9

申请日：2021-08-24

Applicant: 东南大学

Inventor： 黄鹏 ,  郭佳明 ,  桑杲 ,  缪秋华 ,  贾民平 ,  许飞云 ,  胡建中

IPC: G06F18/241 ,  G06N3/096 ,  G06N3/0464 ,  G06N3/06 ,  G06N3/098

Abstract: 本发明公开了一种基于深度迁移学习的变工况球磨机负荷软测量方法，在变工况条件下，针对球磨机目标域工况中的带标签样本难以获取的情形，本发明基于深度迁移学习方法，提出一种联合判别性高阶矩对齐网络，实现对变工况下球磨机负荷的软测量。本发明通过联合训练源域和目标域以学习到不同域内不同类别间的判别性特征，同时将两个域通过深度网络学习到的特征进行高阶矩对齐，从而实现网络的迁移，其次，本发明基于深度迁移学习，构建了联合判别性高阶矩对齐网络，实现了对变工况下球磨机负荷的软测量，相比其他方法提高了球磨机负荷参数软测量的有效性和准确性。