公开(公告)号：CN115982562A

公开(公告)日：2023-04-18

申请号：CN202211467055.4

申请日：2022-11-22

申请人： 重庆大学

发明人： 秦毅 ,  陈定粮 ,  董鹏飞 ,  周江洪

IPC分类号： G06F18/213 ,  G06N3/0442 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/047 ,  G06N3/048 ,  G06N3/096 ,  G07C3/00 ,  G01M13/021 ,  G01M13/028

摘要： 本发明涉及一种齿轮剩余使用寿命预测方法、系统、电子设备及介质，具体涉及零件寿命预测技术领域。所述方法包括：将各振动信号分别输入训练好的基于二次函数的多尺度深度卷积自编码器网络中得到健康特征指标集合；根据健康特征指标集合确定健康特征指标向量和训练向量；基于训练向量构建矩阵；采用矩阵对MLMA‑Net进行训练；根据训练向量和训练好的MLMA‑Net进行迭代运算得到下一时刻的健康特征指标，当下一时刻的健康特征指标小于设定阈值时，则根据总的迭代次数、振动信号的采样间隔时间以及采集一个振动信号所用的时长确定齿轮剩余使用寿命。本发明可提高齿轮剩余使用寿命的预测精度。

公开(公告)号：CN112926505B

公开(公告)日：2022-11-11

申请号：CN202110312371.3

申请日：2021-03-24

申请人： 重庆大学

发明人： 秦毅 ,  周江洪 ,  陈定粮 ,  汤宝平

IPC分类号： G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G01M13/021 ,  G01M13/028 ,  G01M13/045

摘要： 本发明公开了一种基于DTC‑VAE神经网络的旋转机械健康指标构建方法，包括采集旋转机械全生命周期的振动信号x，计算振动信号x时域和频域特征，根据特征集划分为训练集和测试集，以训练集数据作为输入构建退化趋势约束变分自编码器DTC‑VAE模型，利用优化器AdamOptimizer以DTC‑VAE模型的损失函数最小值为优化目标进行无监督训练；将测试集数据输入训练好的退化趋势约束变分自编码器DTC‑VAE模型中，得到的测试隐变量Z，对测试隐变量Z进行归一化得到健康指标h。本申请可以通过DTC‑VAE模型和多维时域和频域特征来构建健康指标，利用隐变量来表征机械部件的退化过程，保证了旋转机械健康指标的准确性。

公开(公告)号：CN111581892A

公开(公告)日：2020-08-25

申请号：CN202010478293.X

申请日：2020-05-29

申请人： 重庆大学

发明人： 秦毅 ,  陈定粮 ,  项盛 ,  周江洪

IPC分类号： G06F30/27 ,  G06K9/00 ,  G06N3/04 ,  G01M13/045 ,  G06F119/02

摘要： 本发明涉及一种基于GDAU神经网络的轴承剩余寿命的预测方法，属于滚动轴承检测技术领域。该方法包括：首先，通过加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GDAU网络中进行寿命预测。本发明大大提高了对轴承剩余寿命的预测准确度。

公开(公告)号：CN116818311A

公开(公告)日：2023-09-29

申请号：CN202310786313.3

申请日：2023-06-29

申请人： 重庆大学

发明人： 秦毅 ,  陈定粮 ,  周江洪 ,  毛永芳

IPC分类号： G01M13/021 ,  G01M13/028

摘要： 本发明涉及一种基于高斯混合模型和指数混合模型的齿轮健康指标构建方法，属于齿轮健康状态评估技术领域。该方法包括：采集相应工况下的齿轮全生命周期振动信号，并进行去噪声和FFT处理；分别构建并训练高斯混合模型和指数混合模型，然后分别选取去噪声和FFT处理后的前S个健康数据，利用EM算法来分别训练高斯混合模型和指数混合模型，获得对应模型下的基准分布；其次利用不同模型下的基准分布和整个生命周期数据的分布来计算时域和频域下的分布重合度值；最后根据分布重合度值获得时域和频域下健康指标，并根据健康指标的单调性来自适应加权获得最后的齿轮健康指标。本发明能提高齿轮健康指标的适用性。

公开(公告)号：CN113505535A

公开(公告)日：2021-10-15

申请号：CN202110773151.0

申请日：2021-07-08

申请人： 重庆大学

发明人： 秦毅 ,  陈定粮 ,  罗均 ,  蒲华燕

IPC分类号： G06F30/27 ,  G06F17/14 ,  G06N3/04 ,  G06N3/08 ,  G06F119/04

摘要： 本申请提供一种基于门控自适应分层注意力单元网络的电机寿命预测方法，具体方法为：采集伺服电机的振动信号，通过对振动信号进行预处理并利用傅里叶变换得到FFT数据，将该数据输入QFDCAE网络中构建伺服电机的健康特征指标，将该健康特征指标输入到基于门控自适应分层注意力单元网络GAHAU的电机寿命预测模型中进行电机剩余使用寿命预测；本申请采用基于门控自适应分层注意力单元网络GAHAU模型对电机剩余寿命进行预测，比现有神经网络的预测精度更高。

公开(公告)号：CN111723527B

公开(公告)日：2024-04-16

申请号：CN202010599670.5

申请日：2020-06-28

申请人： 重庆大学

发明人： 秦毅 ,  项盛 ,  陈定粮

IPC分类号： G06F30/27 ,  G06F30/17 ,  G01M13/028 ,  G01M13/021 ,  G06N3/0442 ,  G06N3/08 ,  G06F119/04

摘要： 本发明涉及一种基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法，属于自动化技术领域。该方法包括以下步骤：S1：基于变分自编码的齿轮健康指标构建；S2：定义鸡尾酒长短期记忆网络C‑LSTM；S3：基于VAE构建的健康指标与C‑LSTM的齿轮剩余寿命预测。本发明首先基于变分自编码器(VAE)构成能准确放映齿轮健康状态退化趋势的健康指标，再根据提出的鸡尾酒长短期神经网络进行对未知的健康指标进行逐步预测，到达所设阈值时即可得到所预测RUL。

公开(公告)号：CN112926505A

公开(公告)日：2021-06-08

申请号：CN202110312371.3

申请日：2021-03-24

申请人： 重庆大学

发明人： 秦毅 ,  周江洪 ,  陈定粮 ,  汤宝平

IPC分类号： G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G01M13/021 ,  G01M13/028 ,  G01M13/045

摘要： 本发明公开了一种基于DTC‑VAE神经网络的旋转机械健康指标构建方法，包括采集旋转机械全生命周期的振动信号x，计算振动信号x时域和频域特征，根据特征集划分为训练集和测试集，以训练集数据作为输入构建退化趋势约束变分自编码器DTC‑VAE模型，利用优化器AdamOptimizer以DTC‑VAE模型的损失函数最小值为优化目标进行无监督训练；将测试集数据输入训练好的退化趋势约束变分自编码器DTC‑VAE模型中，得到的测试隐变量Z，对测试隐变量Z进行归一化得到健康指标h。本申请可以通过DTC‑VAE模型和多维时域和频域特征来构建健康指标，利用隐变量来表征机械部件的退化过程，保证了旋转机械健康指标的准确性。

公开(公告)号：CN111723527A

公开(公告)日：2020-09-29

申请号：CN202010599670.5

申请日：2020-06-28

申请人： 重庆大学

发明人： 秦毅 ,  项盛 ,  陈定粮

IPC分类号： G06F30/27 ,  G06F30/17 ,  G01M13/028 ,  G01M13/021 ,  G06N3/04 ,  G06N3/08 ,  G06F119/04

摘要： 本发明涉及一种基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法，属于自动化技术领域。该方法包括以下步骤：S1：基于变分自编码的齿轮健康指标构建；S2：定义鸡尾酒长短期记忆网络C-LSTM；S3：基于VAE构建的健康指标与C-LSTM的齿轮剩余寿命预测。本发明首先基于变分自编码器(VAE)构成能准确放映齿轮健康状态退化趋势的健康指标，再根据提出的鸡尾酒长短期神经网络进行对未知的健康指标进行逐步预测，到达所设阈值时即可得到所预测RUL。

公开(公告)号：CN111475987B

公开(公告)日：2024-05-24

申请号：CN202010255897.8

申请日：2020-04-02

申请人： 重庆大学

发明人： 秦毅 ,  阎昊冉 ,  项盛 ,  陈定粮 ,  奚德君

IPC分类号： G06F30/27 ,  G06F18/15 ,  G06F18/213 ,  G06N3/0455 ,  G06N3/0442 ,  G06F119/04 ,  G06N3/048

摘要： 本发明涉及一种基于SAE和ON‑LSTM的齿轮剩余寿命的预测方法，属于大数据和智能制造领域。该方法利用SAE提取齿轮健康指标，并用新型的ON‑LSTM神经网络来预测齿轮剩余寿命，ON‑LSTM中通过层级划分器来划分输入数据及历史数据的层级结构。将主遗忘门与主输入门的输出向量中最大元素所在的位置定义为层级位置，从而使递归神经网络分层级更新。本发明通过SAE特征提取和ON‑LSTM神经网络来预测的齿轮剩余寿命，大大降低了网络计算量，减少计算时间，且提高了预测速度以及精确度。

公开(公告)号：CN111581892B

公开(公告)日：2024-02-13

申请号：CN202010478293.X

申请日：2020-05-29

申请人： 重庆大学

发明人： 秦毅 ,  陈定粮 ,  项盛 ,  周江洪

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

摘要： 本发明涉及一种基于GDAU神经网络的轴承剩余寿命的预测方法，属于滚动轴承检测技术领域。该方法包括：首先，通过加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GDAU网络中进行寿命预测。本发明大大提高了对轴承剩余寿命的预测准确度。