公开(公告)号：CN115905976B

公开(公告)日：2023-07-07

申请号：CN202211412586.3

申请日：2022-11-11

Applicant: 东北林业大学

Inventor： 李学艺 ,  苏凯宇 ,  何秋实 ,  王相凯 ,  解志杰

IPC: G06F18/2415 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/047 ,  G06N3/08 ,  G01M13/045

Abstract: 基于注意力机制的Highway Bi‑LSTM轴承故障诊断方法、系统及设备，涉及机械故障诊断领域。本发明是为了解决现有轴承故障诊断方法还存在由于无法提取逆时域序列特征、对关键特征关注不足、训练层过多难以收敛导致的故障诊断准确率低的问题。本发明包括：获得待诊断的轴承原始振动信号，将待诊断的轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障严重性诊断结果；轴承故障诊断网络通过以下方式获得：获取轴承原始振动信号，并将轴承原始振动信号分为训练集和测试集；构建Highway Bi‑LSTM网络：Bi‑LSTM网络、注意力机制、Highway层、全连接层、softmax分类器；利用训练集训练Highway Bi‑LSTM网络；利用测试集测试训练好的Highway Bi‑LSTM网络，获得轴承故障诊断网络。本发明用于轴承的故障诊断。

公开(公告)号：CN118913696A

公开(公告)日：2024-11-08

申请号：CN202410988548.5

申请日：2024-07-23

Applicant: 东北林业大学

Inventor： 李学艺 ,  王超伦 ,  苏凯宇 ,  李岱优 ,  谢怡宁

IPC: G01M13/045 ,  G06N3/0464 ,  G06N3/096

Abstract: 本发明提出一种基于BI‑三明治模型和MMSD算法的航空发动机主轴轴承迁移学习故障诊断方法，应用迁移学习域自适应解决了航空发动机主轴轴承的跨域诊断问题，提出一种新的BI‑三明治模型架构，大三明治模型包含对信号初步处理的输入层、特征提取和关注关键特征中间层、和综合分类信息的输出层。三个串联的集合CNN和Transformer的层构成了中间层的小三明治模块。引入均方值这一二阶统计量，构建了最大均方差异度量进行不同域之间差异度量，将其值嵌入损失中，最小化损失的同时缩小域偏移。

公开(公告)号：CN118410411A

公开(公告)日：2024-07-30

申请号：CN202410218139.7

申请日：2024-02-28

Applicant: 东北林业大学

Inventor： 李学艺 ,  李岱优 ,  原鹏 ,  苏凯宇 ,  解志杰

IPC: G06F18/2415 ,  G01M13/045 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/096 ,  G06N3/045

Abstract: 一种基于多尺度空洞注意力机制的ConvNeXt迁移学习齿轮故障诊断方法，涉及旋转机械故障诊断领域。本发明包括：获得待诊断的跨域齿轮原始振动信号，将其输入到齿轮故障诊断网络中获得齿轮故障严重性诊断结果；齿轮故障诊断网络通过以下方式获得：获取不同工况下的原始振动信号，并将原始振动信号分为源域训练集、源域验证集、目标域测试集；构建基于多尺度空洞注意力机制的ConvNeXt迁移学习网络：由扩张卷积ConvNeXt模块、多尺度空洞注意力模块、Softmax分类器、CKMMD模块等组成；利用训练集、验证集、测试集分别训练、验证、测试所构建的网络，获得齿轮故障诊断网络。本发明用于齿轮跨域故障诊断。

公开(公告)号：CN118294142A

公开(公告)日：2024-07-05

申请号：CN202410392007.6

申请日：2024-04-02

Applicant: 东北林业大学

Inventor： 李学艺 ,  肖树权 ,  苏凯宇 ,  李岱优 ,  解志杰

IPC: G01M13/045 ,  G06F18/2415 ,  G06F18/2431 ,  G06F18/25 ,  G06N3/0464

Abstract: 基于融合注意力机制与增强卷积层的AT‑ICNN的故障诊断方法，涉及机械故障诊断领域。本发明视为了解决现有轴承故障诊断方法忽略了对信号特征突出性和全局信息的捕获能力的重要性。本发明包括：获得待诊断的跨域轴承原始振动信号，将待诊断的轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障严重性诊断结果；轴承故障诊断网络通过以下方式获得：获取不同工况下的原始振动信号，并将轴承原始振动信号分为训练集、测试集；构建AT‑ICNN网络：增强卷积层、AT‑ICNN网络、融合注意力层、Batch Normalization层、池化层、全连接层、ReLU分类器；利用训练集训练AT‑ICNN网络：利用测试集测试训练好的AT‑ICNN网络，获得轴承故障诊断网络。本发明用于轴承的故障诊断。

公开(公告)号：CN117932430A

公开(公告)日：2024-04-26

申请号：CN202410097265.1

申请日：2024-01-24

Applicant: 东北林业大学

Inventor： 李学艺 ,  蒋恩发 ,  苏凯宇 ,  李岱优 ,  解志杰

IPC: G06F18/241 ,  G06F18/214 ,  G06N3/0499 ,  G06N3/0464

Abstract: 本发明公开了一种将卷积与自注意力综合在迁移学习中的轴承故障诊断方法，其核心是提出了一个名为UniFormer的模型架构，由三个核心模块组成，即动态位置嵌入(DPE)、多头关系聚合器(MHRA)和前馈网络(FFN)，它结合了Transformer和CNN模型的优点。具体来说，首先，通过扩展条件位置编码(CPE)设计DPE，其次在UniFormer模型中设计了具有不同浅层和深层结构的多头关系聚合器，浅层聚合器使用一个小的可学习矩阵来学习局部关系，深层聚合器通过比较来学习全局关系；随后由两个线性层组成的FFN来分别增强每个标记，完成一个UniFormer模块的搭建；再次，以分层的方式逐步整合UniFormer模块来构建模型；最后，将最初在源域(SD)训练的模型应用到目标域(TD)进行故障诊断，并且采用JMMD(Joint Maximum Mean Discrepancy)方法来缩小SD与TD之间的分布差异，弥补源域和目标域的间隙，提高跨域轴承故障诊断的准确性。

公开(公告)号：CN115905976A

公开(公告)日：2023-04-04

申请号：CN202211412586.3

申请日：2022-11-11

Applicant: 东北林业大学

Inventor： 李学艺 ,  苏凯宇 ,  何秋实 ,  王相凯 ,  解志杰

IPC: G06F18/2415 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/047 ,  G06N3/08 ,  G01M13/045

Abstract: 基于注意力机制的Highway Bi‑LSTM轴承故障诊断方法、系统及设备，涉及机械故障诊断领域。本发明是为了解决现有轴承故障诊断方法还存在由于无法提取逆时域序列特征、对关键特征关注不足、训练层过多难以收敛导致的故障诊断准确率低的问题。本发明包括：获得待诊断的轴承原始振动信号，将待诊断的轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障严重性诊断结果；轴承故障诊断网络通过以下方式获得：获取轴承原始振动信号，并将轴承原始振动信号分为训练集和测试集；构建Highway Bi‑LSTM网络：Bi‑LSTM网络、注意力机制、Highway层、全连接层、softmax分类器；利用训练集训练Highway Bi‑LSTM网络；利用测试集测试训练好的Highway Bi‑LSTM网络，获得轴承故障诊断网络。本发明用于轴承的故障诊断。