公开(公告)号：CN114528868A

公开(公告)日：2022-05-24

申请号：CN202210001059.7

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: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G01N29/44

Abstract: 本发明公开了一种压缩机叶片裂纹故障检测方法，包括以下步骤：采集压缩机出气口两通道声发射信号，并分成训练和测试样本；提取训练样本的声发射特征、时域特征、频域特征和谱质心能量迁移特征；使用混合特征选择方法进行特征选择，确定最优特征子集；建立两通道训练样本和试样本特征子集；合并两通道训练样本特征子集并使用长短期记忆神经网络进行训练，最后使用训练完成的长短期记忆神经网络对测试样本进行叶片裂纹故障分类与检测，实现压缩机叶片的裂纹故障检测。本发明简单易行，相比于其他现有故障特征和裂纹检测技术能够建立有效反映叶片故障特征的谱质心能量迁移特征、实现混合特征选择和压缩机叶片裂纹故障检测。

公开(公告)号：CN114509266A

公开(公告)日：2022-05-17

申请号：CN202210008505.7

申请日：2022-01-05

Applicant: 东南大学

Inventor： 沈君贤 ,  许飞云 ,  胡建中 ,  贾民平 ,  黄鹏

IPC: G01M13/045 ,  G06N3/02 ,  G06N3/08

Abstract: 本发明涉及一种基于故障特征融合的轴承健康监测方法，包括：通过N个加速度传感器采集轴承运行过程中的振动信号；提取振动信号的特征获得N个原始特征集；将N个原始特征集分别输入N个多测度分层模型，经特征筛选获得最佳特征子集与对应的敏感度权重矩阵；通过神经网络训练最佳特征子集，重构敏感度权重矩阵；利用WKPCA算法将各最佳特征子集进行加权融合并输入神经网络进行模型训练；提取待检测的轴承故障特征数据并输入到训练好的神经网络模型中，根据输出结果判断轴承的故障状态。本发明通过振动信号的筛选与融合，降低了特征的冗余性，提高了轴承故障诊断的精度和稳定性。

公开(公告)号：CN110796609B

公开(公告)日：2022-04-08

申请号：CN201910836624.X

申请日：2019-09-05

Applicant: 东南大学

Inventor： 胡建中 ,  徐亚东

IPC: G06T5/00 ,  G06T7/90

Abstract: 本发明公开了一种基于尺度感知和细节增强模型的低光图像增强方法提出了一种尺度感知的结构保留和细节增强模型（SSD），它对于在弱光条件下的图像增强简单且有效。首先，设计了一种新的基于Retinex的模型，其中使用新颖的尺度感知结构保留项作为正则化，可以同时估计尺度感知结构保持反射分量和平滑照明分量。噪声分量估计也包括在模型中以抑制给定图像的噪声。其次，采用交替方向法（ADMM）精确求解细化问题。最后，使用伽马校正对图像进行细节增强，以进一步改善给定图像的视觉质量。实验结果验证了所提方法的适用性，可应用到图像处理设备中。

公开(公告)号：CN113947012A

公开(公告)日：2022-01-18

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 ,  G06N3/04 ,  G06N3/08 ,  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：CN111089726B

公开(公告)日：2021-12-03

申请号：CN202010046098.X

申请日：2020-01-16

Applicant: 东南大学

Inventor： 贾民平 ,  毛永杰 ,  许飞云 ,  胡建中 ,  黄鹏

IPC: G01M13/045

Abstract: 本发明公开了一种基于最优维数奇异谱分解的滚动轴承故障诊断方法，包括步骤如下：步骤1,在滚动轴承座附近安装加速度传感器，采集振动信号；步骤2，使用最优维数奇异谱分解算法对采集到的振动信号进行分解，得到若干个具有较明确物理意义的奇异谱分量；步骤3，根据峭度准则挑选包含丰富故障特征信息的奇异谱分量作为主成分分量；步骤4，计算主成分分量的1.5维频域加权能量谱；步骤5，从1.5维频域加权能量谱中观察故障特征频率处是否出现明显的峰值，以此实现滚动轴承故障的准确诊断。本发明简单易行，相比于其他现有技术能够更精确地实现滚动轴承的故障诊断。

公开(公告)号：CN113297781A

公开(公告)日：2021-08-24

申请号：CN202110514705.5

申请日：2021-05-10

Applicant: 东南大学

Inventor： 黄鹏 ,  周宇杭 ,  郭佳明 ,  丁逸飞 ,  缪秋华 ,  桑杲 ,  贾民平 ,  许飞云 ,  胡建中

IPC: G06F30/25 ,  G16C10/00

Abstract: 本发明提供一种基于内作用力的颗粒簇建模方法，包括以下步骤：步骤10)在边界内初始化生成n个位置随机的元素；n表示大于等于2的整数；步骤20)依次计算每个元素所受的其它元素的作用力以及所受的边界的作用力，调整元素的位置；步骤30)判断是否满足预设条件，若不满足，则执行步骤20)；步骤40)得到颗粒簇模型。本发明基于内作用力的颗粒建模方法，计算元素间以及元素与边界间的作用力，通过迭代的方式不断调整元素的位置，以尽可能减小簇内的总作用力，从而使簇内的元素拟合任意边界形状时尽可能消除内部的重叠量。

公开(公告)号：CN109932179B

公开(公告)日：2021-07-27

申请号：CN201910281748.6

申请日：2019-04-09

Applicant: 东南大学

Inventor： 胡建中 ,  徐亚东 ,  许飞云 ,  贾民平 ,  彭英

IPC: G01M13/045

Abstract: 本发明公开了基于DS自适应谱重构的滚动轴承故障检测方法，该方法包括步骤：采集振动时间信号x(t)为源信号；令轴承振动时间信号x(t)的傅里叶变换为X(f)，并将其细分为最小频谱子集集合；使用改进的DS证据理论创建评价子集函数；使用自下而上的方法利用评价函数作为特征指标对频谱进行重构，寻找最优共振带；对最优共振带进行博里叶反应变换，再进行希尔博特变换；包络谱分析；根据包络谱识别故障特征是否存在明显峰值；若不存在，则轴承正常运转，若存在则表示轴承存在故障，需结束运行。基于DS自适应谱重构的滚动轴承故障检测方法，更加及时、准确地实现滚动轴承故障模式识别及状态监测的特征向量提取方法。

公开(公告)号：CN110514444B

公开(公告)日：2021-04-06

申请号：CN201910504140.5

申请日：2019-06-12

Applicant: 东南大学

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

IPC: G01M13/045

Abstract: 本发明涉及一种基于变分模态分解和相空间平行因子分析的滚动轴承微弱故障特征提取方法，包括以下步骤：利用振动传感器采集滚动轴承振动信号，得到微弱故障信号x(t)；设置惩罚因子α、分解层数K，对振动信号进行变分模态分解，得到相应本征模态函数分量；依据峭度准则，选取峭度最大的本征模态函数分量作为最优分量；对最优分量进行相空间平行因子分析，在高维相空间中得到至少一个独立分量；从第四步中得到的至少一个独立分量中选取峭度最大的独立分量进行包络谱分析，并得到故障特征频率；本发明有效提取故障特征频率，实现滚动轴承故障类型的准确识别。

公开(公告)号：CN111695209A

公开(公告)日：2020-09-22

申请号：CN202010401773.6

申请日：2020-05-13

Applicant: 东南大学

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

IPC: G06F30/17 ,  G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06N20/00 ,  G01M13/00 ,  G01M13/045 ,  G06F119/04

Abstract: 本发明公开了元深度学习驱动的旋转机械小样本健康评估方法，具体步骤如下：首先对旋转机械预处理后的振动信号提取时频图及时、频域特征作为退化特征量；接着进一步通过无监督域自适应方法提取不同域间可迁移退化指标；在此基础上划分不同子任务并对卷积网络与循环网络进行基于梯度反向传递的参数求解，构建两种不同基础模型的元深度学习预测方法实现不同退化指标的小样本评估；最后聚合不同学习子任务实现跨任务间的模型参数求解、寻优，为推广、泛化至未知数据集提供元深度学习评估代理模型。该方法首次将元学习思想引入旋转机械健康评估、管理领域，极大削弱了工况差异以及样本稀少对传统机器学习模型泛化能力带来的冲击。

公开(公告)号：CN110196283A

公开(公告)日：2019-09-03

申请号：CN201910443354.6

申请日：2019-05-27

Applicant: 东南大学

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

IPC: G01N29/14 ,  G01N29/44

Abstract: 一种基于瞬时频率的木结构损伤声发射信号辨识与应力无损检测方法，步骤如下：(1)以木结构规格材为研究对象，安装相应的传感器建立木材弯曲损伤的声发射采集系统，得到木材损伤过程的声发射信号；(2)对采集到的声发射信号进行滤波和小波分解，实现原始信号的预处理。(3)将小波重构后的信号进行EMD分解，获得用于Hilbert变换的声发射波形。(4)依据声发射重构波形的频域特性，确定不同声发射事件的特征频率。(5)通过瞬时频率统计不同类型声发射事件的数量，并计算相应的事件发生密度，最后利用声发射事件发生密度及其变化情况评价木材损伤过程中的应力状态。本发明简单易行，该方法可对木结构建筑的内部损伤进行实时动态的损伤监测与识别。