公开(公告)号：CN114662542B

公开(公告)日：2024-07-02

申请号：CN202210314883.8

申请日：2022-03-28

Applicant: 东南大学

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

IPC: G06F18/241 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及一种多工况分布对齐的旋转机械健康诊断方法，包括：采集N(N≥2)种不同工况下的振动信号，将振动信号随机划分为N‑1个源数据集和一个目标数据集，每个数据集对应一种工况；获取振动信号对应的时频图；将各个源数据集分别和目标数据集组合构成N‑1个源与目标数据集；构建多源适应模型，包括一个用于提取各个源与目标数据集的公共机械故障特征的公共特征提取器、N‑1个特定域特征提取器，从公共机械故障特征中提取特定特征并进行分布对齐，以及N‑1个特定域分类器，对特定机械故障特征进行故障预测，并对齐决策边界；训练好的模型可对测试数据进行故障预测，能够较好的解决传统方法无法进行跨工况诊断的问题，诊断精度高。

公开(公告)号：CN115166032B

公开(公告)日：2024-04-19

申请号：CN202210560401.7

申请日：2022-05-23

Applicant: 东南大学

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

IPC: G01N29/04 ,  G01N29/14 ,  G01N29/44 ,  F04D27/00

Abstract: 本发明公开了一种风机叶片裂纹的检测装置及方法，包括风机外壳和电机、以及用于检测的声压传感器、声发射传感器和振动传感器，采用以下方法对叶片裂纹进行检测：采集两通道声、两通道声发射信号以及两通道振动信号，在标准化处理后分成训练和测试样本；使用数据级融合方法分别融合两通道声、两通道声发射和两通道振动信号的训练和测试样本，生成数据融合训练和测试样本；将上述原始和数据融合训练样本输入卷积神经网络中，得到初始检测结果；使用决策级融合的方法融合所述初始检测结果，并得到检测结果，实现叶片裂纹故障检测。本发明采用多种信号融合的方式对叶片裂纹进行检测，能够快速准确的判断叶片是否存在裂纹故障，提高检测的准确性。

公开(公告)号：CN117633700A

公开(公告)日：2024-03-01

申请号：CN202311371834.9

申请日：2023-10-20

Applicant: 东南大学

Inventor： 马天池 ,  许飞云 ,  胡建中 ,  黄鹏

IPC: G06F18/25 ,  G06F18/213 ,  G06F18/24 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提出了一种基于多级传感器多级信息融合的叶片裂纹检测方法，包括如下步骤：步骤(1)通过布置在多个位置的传感器采集振动信号；步骤(2)使用基于相关循环平稳度规则的数据级融合方法，融合多通道振动信号，得到具有更明显故障特征的融合信号；步骤(3)通过双分支一维卷积神经网络对融合信号进行特征提取，得到双分支特征；步骤(4)使用基于多尺度通道注意力的动态特征融合模块对提取到的双分支特征进行融合，得到融合特征；步骤(5)将融合特征输入Softmax分类器，完成叶片裂纹检测。本发明设计了数据级和特征级的多级融合方法，充分利用了多传感器信息，可以更好地完成复杂工况下的叶片裂纹检测。

公开(公告)号：CN113111911B

公开(公告)日：2024-02-06

申请号：CN202110257434.X

申请日：2021-03-12

Applicant: 东南大学

Inventor： 胡建中 ,  徐立 ,  许飞云 ,  贾民平

IPC: G06V10/774 ,  G06V10/82 ,  G06N3/048 ,  G06N3/08 ,  G06T7/00

Abstract: 本发明涉及一种基于主成分分析与门控循环单元网络的缺陷深度检测方法，旨在解决现有深度检测方法准确率低的问题。包括以下步骤：1)制备训练试件，选择标记点；2)对训练试件进行脉冲热激励；3)采集试件热激励阶段和冷却阶段表面温度数据；4)由各标记点温度的时间序列构建缺陷初始特征矩阵；5)利用PCA方法对初始特征矩阵进行特征提取，添加样本标签作为训练集；6)构建GRU网络模型，用训练集进行训练，得到板材缺陷深度定量检测模型；7)制备待检测试件并选取标记点，采用同样的脉冲激励、特征提取方法获取测试集，输入到检测模型，得到检测试件标记点的缺陷深度。能快速对板材缺陷深度进行定量检测，检测效率和准确度高，适用性广。

公开(公告)号：CN117009726A

公开(公告)日：2023-11-07

申请号：CN202310848357.4

申请日：2023-07-12

Applicant: 东南大学

Inventor： 姚子瑜 ,  胡建中 ,  姜立诚 ,  许飞云 ,  贾民平 ,  黄鹏

IPC: G06F17/14 ,  H03M7/30

Abstract: 本发明涉及一种基于改进多重同步压缩变换的信号时频分析方法，包括：对输入信号进行下采样处理得到下采样信号；对下采样信号通过高斯窗函数进行加窗处理，得到加窗分段信号；通过二阶搜索最小lp范数法确定每个加窗分段信号的分数阶傅里叶变换最佳变换阶次；计算每个加窗分段信号最佳变换阶次下的分数阶傅里叶变换，得到变换后的分段信号分数谱；将各分段信号分数谱进行组合得到短时分数阶傅里叶变换时频分布；进行多重同步压缩能量重排，直到满足终止条件，输出信号的时频图。本发明提高了非平稳信号处理的精度和信号的能量聚集性。

公开(公告)号：CN111291918B

公开(公告)日：2023-04-18

申请号：CN202010010925.X

申请日：2020-01-06

Applicant: 东南大学

Inventor： 贾民平 ,  丁鹏 ,  赵孝礼 ,  杨诚 ,  佘道明 ,  许飞云 ,  胡建中 ,  黄鹏

IPC: G06Q10/04 ,  G06F18/2135 ,  G06F18/25

Abstract: 本发明公开了一种平稳子空间外源矢量自回归的旋转机械退化趋势预测方法，包括步骤如下：首先，对去噪后的多通道信号进行第一次平稳子空间分解提取振动平稳分量；接着提取时、频域退化特征量并通过特征融合得到高维退化指标向量组；再将时、频域下高维退化指标向量组进行第二次平稳子空间分解以及差分运算提取退化指标中的弱平稳成分作为旋转机械退化指标；将退化指标进行平稳性检验、脉冲响应分析并确定内源、外源变量以及模型阶数，通过最大似然估计确定矢量自回归模型参数，最后对旋转机械进行不同预测起始点下的退化趋势估计。本发明得到的退化趋势预测模型不仅在小样本学习下拥有良好泛化能力，而且计算迅速，可释性强。

公开(公告)号：CN115774931A

公开(公告)日：2023-03-10

申请号：CN202211484016.5

申请日：2022-11-24

Applicant: 东南大学

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

IPC: G06F30/20 ,  G06V10/764 ,  G06V10/774 ,  G06N3/0442 ,  G06N3/08

Abstract: 一种基于数据驱动模型的回转滚筒内部颗粒流预测和分类方法，该方法结合回转滚筒离散元模型生成的颗粒流动数据，提取出与颗粒运动行为的相关特征，通过长短期记忆LSTM方法构建数据驱动模型，对回转滚筒内部混合颗粒的流动数据时序特征进行预测，并对回转滚筒的多种工况标签进一步分类。该方法结合离散元模型能够提供每个粒子轨迹的可视化，采集代表滚筒内部颗粒流动特征的宏观和微观数据。该方法基于数据驱动模型，从离散元模拟的历史数据中提取出与颗粒运动行为相关的特征表示，并通过挖掘混合颗粒运动全过程数据，建立和运动状态相关的映射关系。因此，使回转滚筒内部混合颗粒流动的预测和分类方法，能够低成本、更高效、更快速实现。

公开(公告)号：CN115452889A

公开(公告)日：2022-12-09

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：CN114091349A

公开(公告)日：2022-02-25

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：CN110849968B

公开(公告)日：2021-12-17

申请号：CN201911069429.5

申请日：2019-11-05

Applicant: 东南大学

Inventor： 李杨 ,  许飞云 ,  胡建中 ,  贾民平 ,  黄鹏 ,  彭英

IPC: G01N29/04 ,  G01N29/14 ,  G06F17/14

Abstract: 一种基于自适应优化VMD的起重机主梁损伤声发射无损检测方法，步骤如下：(1)在起重机主梁安装相应的传感器建立结构损伤声发射监测系统，获得损伤过程的声发射信号。(2)对采集到的声发射信号进行自适应优化VMD处理，实现原始信号的自适应滤波和降噪处理。(3)依据声发射重构波形的频域特性，确定损伤过程中声发射事件的重心频率分布。(4)通过分析声发射信号的重心频率分布范围，建立损伤重心频率评价指标，判断起重机主梁的不同损伤阶段。本发明简单易行，该方法可对起重机主梁的内部损伤进行实时动态的损伤监测与识别。