公开(公告)号：CN116451148A

公开(公告)日：2023-07-18

申请号：CN202310266377.0

申请日：2023-03-17

Applicant: 广西大学

Inventor： 殷林飞 ,  王子璇

IPC: G06F18/2415 ,  G06F18/24 ,  G06N3/0464 ,  G06N3/0442

Abstract: 本发明提出一种模态分解预测双向注意力网络的轴承故障诊断方法，该方法先用VGG19对轴承故障检测信号进行分类，输出分类概率大于故障判断设定值的信号，再将分类概率小于故障判断设定值的信号进行模糊熵辅助奇异谱分解，将奇异谱分解后的奇异谱分量用时间卷积网络、长短期记忆网络与双向长短期记忆网络进行预测，再分别通过卷积自注意结合算子、双通道卷积算子和卷积自注意结合算子进行分类，最后采用深度全连接层对三个分类结果进行综合，输出最终分类结果。所提方法能解决当前轴承故障诊断技术无法同时具有高精度和高速度的特点的问题，实现快速精准地诊断轴承故障的功能，提高故障诊断的精度和速度。

公开(公告)号：CN116308279A

公开(公告)日：2023-06-23

申请号：CN202310265844.8

申请日：2023-03-17

Applicant: 广西大学

Inventor： 殷林飞 ,  王子璇

IPC: G06Q10/20 ,  G06V10/764 ,  G06F18/2415 ,  G06N10/60

Abstract: 本发明提出一种多模态双重量子快速网络的轴承故障诊断方法，该方法先将原始信号进行量子编码化，然后通过量子神经网络得到由0与1组成的量子化图片，对量子化图片进行量测，输出分类概率大于故障判断设定值的信号，再将分类概率小于故障判断设定值的信号进行模糊熵辅助奇异谱分解，将奇异谱分解后的奇异谱分量再次进行量子编码，通过量子神经网络得到由0与1组成的量子化图片，对量子化图片进行量测，输出最终的统计分类结果。所提方法能解决当前轴承故障诊断技术会由于数据过大而导致诊断效率低的问题，实现快速精准地诊断轴承故障的功能，保证故障诊断精度的同时提高诊断速度，并且防止计算过程中的梯度爆炸。

公开(公告)号：CN115510917A

公开(公告)日：2022-12-23

申请号：CN202211244379.1

申请日：2022-10-12

Applicant: 广西大学

Inventor： 殷林飞 ,  王子璇 ,  胡立坤 ,  姚小军 ,  郑海付 ,  韦超 ,  党新铭

IPC: G06K9/00 ,  G06N3/04 ,  G01M13/04

Abstract: 本发明提出一种模态分解预测卷积注意力网络的轴承故障诊断方法，该方法先用VGG16对轴承故障检测信号进行分类，输出分类概率大于故障判断设定值的信号，再将输出分类概率小于故障判断设定值的信号进行完全经验集合模态分解，将模态分解后的模态分量与剩余分量用门控循环单元、循环神经网络、长短期记忆网络、双向长短期记忆网络与时间卷积网络方法进行预测，再分别通过一个卷积自注意结合算子进行分类，最后加权求和输出分类结果。所提方法能解决当前轴承故障诊断技术无法同时兼顾高精度和高速度的预测问题，实现提前快速精准地诊断轴承故障的功能，提高故障诊断的精度和速度。