公开(公告)号：CN118939962A

公开(公告)日：2024-11-12

申请号：CN202410957845.3

申请日：2024-07-17

Applicant: 天津理工大学

Inventor： 张冕 ,  刘宗伟 ,  赵梦熊 ,  翁大伟 ,  陈纪伟 ,  谢锐同 ,  王世豪

IPC: G06F18/20 ,  G06N3/0442 ,  G06F18/15 ,  G06F18/213

Abstract: 本发明提出了一种基于长短时记忆网络与自注意力机制的水泵流量预测方法，包括如下步骤：步骤1：采集水泵不同时间的瞬时流量值；步骤2：利用小波变换，使用Daubechies 4小波基函数对得到的流量数据进行滤波处理；步骤3：对于步骤2得到的数据，进行归一化操作并划分数据集；步骤4：构建基于LSTM和Self‑Attention机制的组合模型。具体地，构建了包括LSTM、Self‑Attention、Dense全连接层和Dropout层在内的深度神经网络模型；步骤5：建立损失函数；步骤6：训练模型并预测，使用步骤3中划分的训练集作为训练数据，预测集作为预测数据，对模型进行训练并预测。本发明采用了深度学习技术，结合了LSTM和Self‑Attention机制，能够更准确地预测水泵的流量，相比传统方法具有更高的预测准确性。

公开(公告)号：CN118312773A

公开(公告)日：2024-07-09

申请号：CN202410349685.4

申请日：2024-03-26

Applicant: 天津理工大学

Inventor： 张冕 ,  翁大伟 ,  谢锐同 ,  陈纪伟 ,  王世豪 ,  刘宗伟

IPC: G06F18/214 ,  G06F18/24 ,  G06N3/048

Abstract: 本发明提出了一种基于自注意力及深度神经网络结合的双吸式离心泵缠绕判别方法，旨在提高双吸式离心泵的缠绕判别精度。包括如下步骤：首先采集不同工况下的双吸式离心泵缠绕前后多个部位的压力脉动信号及其扬程信号，将不同部位的压力脉动数据以及扬程数据进行拼接，拼接为一个数组并进行数据预处理；其次，引入自注意力机制，和DNN拼接构建新的神经网络模型；然后，对输入数据进行划分，将其划分为训练集和测试集，输入神经网络模型中进行训练；然后，利用自注意力机制赋予输入数据权重信息；将输出的带有权重信息的数据输入DNN中进行训练，最终得到对输入样本的预测标签，将预测标签映射回双吸式离心泵工况，实现对双吸式离心泵的缠绕判别。

公开(公告)号：CN119128654A

公开(公告)日：2024-12-13

申请号：CN202410986265.7

申请日：2024-07-23

Applicant: 天津理工大学

Inventor： 李彬 ,  王世豪 ,  陈纪伟 ,  张冕 ,  翁大伟 ,  谢锐同 ,  赵梦熊

IPC: G06F18/2411 ,  G01M13/021 ,  G01M13/028 ,  G01M13/025 ,  G06F18/21 ,  G06F18/214 ,  G06F18/2131 ,  G06F123/02

Abstract: 本发明提出了一种基于阶次分析及时域非平稳模型的行星齿轮箱故障诊断方法，建立了非平稳振动信号的现象学模型，实现了对非平稳工况下齿轮箱实际振动信号的智能诊断。包含以下步骤：首先，提出了一个同时考虑调制分量和调制强度的现象学模型。对于变速信号，建立了基于角域阶次分量的信号模型。其次，利用VMD方法精确提取调制的阶次分量，提出了一种量化调制分量贡献程度的方法，并对调制强度系数的有效性进行了训练和验证；最后通过实际齿轮箱信号对模型进行验证，提取强度系数并输入支持向量机进行分类，完成故障诊断。该模型对齿轮箱的非平稳工况故障诊断，建模思想可以广泛应用于各种旋转机械的建模分析，提高齿轮箱实际复杂环境下的故障诊断能力。