公开(公告)号：CN116796183A

公开(公告)日：2023-09-22

申请号：CN202310263131.8

申请日：2023-03-17

申请人： 三峡大学

发明人： 舒勇 ,  张彬桥

IPC分类号： G06F18/214 ,  G06F18/24 ,  G06F18/213 ,  G06N3/0455 ,  G06N3/088 ,  G06N3/006 ,  G01M13/04

摘要： 一种堆叠降噪自编码器的轴承故障诊断方法，步骤为：首先，提出一种基于包络熵和功率谱峭度的平均最小综合指标为适应度函数的变分模态分解VMD参数优化方法，原始振动信号由最优参数VMD方法分解为若干模态分量IMF，接着计算每个IMF的加权峭度WK值，选择较大加权峭度WK值的IMF进行信号重构去噪，并将其输入SDAE中无监督自动学习提取故障特征，完成故障分类；针对SDAE网络参数对其性能影响极大而最优参数组合难以确定问题，提出一种鼠群优化算法RSO与灰狼优化算法GWO混合的优化算法，利用RSO‑GWO混合算法自动选取SDAE最优超参数。相比于其他方法，本方法具有更高的诊断效率和准确率。

公开(公告)号：CN116858531A

公开(公告)日：2023-10-10

申请号：CN202310579050.9

申请日：2023-05-22

申请人： 三峡大学

发明人： 雷钧 ,  张彬桥 ,  舒勇 ,  刘雷 ,  杨洋

IPC分类号： G01M13/021 ,  G06F18/10 ,  G06N3/0464 ,  G06F18/24 ,  G01M13/028

摘要： 一种基于数据增强和CSP‑ResNeXt的风机齿轮箱故障诊断方法，包括以下步骤：利用安装在齿轮箱上的加速度传感器采集齿轮箱不同故障类型采集的故障振动信号数据；采用小波包分解方法将采集的故障振动信号分解，得到不同的小波包系数，随机选取一组小波系数，使之畸变后还原成时域信号对故障样本进行扩充，完成故障样本的数据增强操作；通过相对位置矩阵Relative Position Matrix,RPM把时域信号转化为灰度图输入搭建好的CSP‑ResNeXt网络中训练诊断模型。最终可以得到风机齿轮箱的智能故障诊断模型，可利用该模型输入实时采集的振动信号进行故障诊断和识别。本发明使用小波包畸变技术进行数据增强，同时采用改进ResNeXt网络，在故障样本类严重不均衡下，实现风机齿轮箱的精准故障识别。

公开(公告)号：CN116467577A

公开(公告)日：2023-07-21

申请号：CN202310307368.1

申请日：2023-03-27

申请人： 三峡大学

发明人： 雷钧 ,  张彬桥 ,  舒勇 ,  刘雷 ,  杨洋

IPC分类号： G06F18/213 ,  G06F18/214 ,  G06F18/24 ,  G06F18/20 ,  G06N3/048 ,  G06N3/08 ,  G01M13/021 ,  G01M13/028

摘要： 基于MTF和改进密集连接网络的风机齿轮箱故障诊断方法，包括了以下步骤：利用安装在齿轮箱上的加速度传感器采集齿轮箱不同故障类型采集的故障振动信号数据；采用马尔可夫变迁场原理将采集的一维故障振动信号转化为二维特征图谱；将MTF二维图谱作为输入，故障种类作为输出训练改进密集连接网络模型；最终可以得到风机齿轮箱的智能故障诊断模型，可利用该模型输入实时采集的振动信号进行故障诊断和识别。本发明使用MTF二维图谱作为神经网络的输入，同时采用改进密集连接网络，在强噪声信号下可以自适应识别重要特征，实现风机齿轮箱的精准故障识别。

公开(公告)号：CN115597869A

公开(公告)日：2023-01-13

申请号：CN202211173890.7

申请日：2022-09-26

申请人： 三峡大学(CN)

发明人： 舒勇 ,  张彬桥 ,  雷钧

IPC分类号： G01M13/045 ,  G06F18/214 ,  G06F18/241

摘要： 一种基于MTF‑SDAE‑LightGBM的轴承故障诊断方法，步骤为：首先利用马尔科夫转移场将采集到的原始一维轴承振动信号进行编码转换为保留时间相关性的二维图像；接着初始化堆叠降噪自编码器，利用非洲秃鹫优化算法优化SDAE的超参数，从而得到最优的SDAE结构，再将二维特征图输入优化堆叠降噪自编码器中提取故障特征并对SDAE进行无监督训练，训练过程中利用梯度下降法对每层DAE的权重和偏差进行更新，训练完成后用少量带标签数据进行微调；最后输入到轻量级梯度提升机分类器中进行轴承故障诊断分类。本方法提高了故障诊断的准确率、鲁棒性以及缩短了故障诊断模型运行的时间。

公开(公告)号：CN115575125A

公开(公告)日：2023-01-06

申请号：CN202211152827.5

申请日：2022-09-21

申请人： 三峡大学

发明人： 舒勇 ,  张彬桥 ,  严展鹏

IPC分类号： G01M13/045 ,  G06N3/04 ,  G06N3/08

摘要： 一种基于GADF‑GAN‑AVOA‑CNN的轴承故障诊断方法，步骤为：首先利用GADF将采集到的原始一维轴承振动信号进行编码转换为二维图像，并将一部分图像加入高斯白噪声；然后设计了一种多头自注意力机制的生GAN对二维故障图像进行去噪，以去噪器代替生成式对抗网络的生成器，将加噪图像输入去噪器剔除噪声，将去噪器输出的图像和未加噪图像输入判别器，为增强对噪声滤除效果把多头注意力机制融合在去噪器中，当去噪器和判别器在博弈中平衡时，去噪效果达到最佳；最后使用AVOA对CNN中的几个关键参数进行寻优，构建最优模型结构和参数，最终将去噪处理的二维图像输出优化CNN中进行滚动轴承故障诊断。本发明提高了故障诊断的准确率和鲁棒性。