公开(公告)号：CN112577747B

公开(公告)日：2023-08-08

申请号：CN202011436394.7

申请日：2020-12-07

Applicant: 东南大学

Inventor： 邓艾东 ,  刘洋 ,  程强 ,  邓敏强 ,  朱静 ,  史曜炜 ,  冯志刚 ,  马天霆 ,  王煜伟

IPC: G01M13/045 ,  G06F18/24 ,  G06F18/213 ,  G06F18/2413 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供了一种基于空间池化网络的滚动轴承故障诊断方法，采集滚动轴承故障状态和正常状态的振动信号，并对采集到的轴承振动信号进行切割形成样本，将样本分为训练集、验证集和测试集；然后将训练集和验证集中的样本输入到卷积神经网络中进行训练并调整其结构；在确定结构的卷积神经网络最后一个“卷积+池化”单元后加入空间池化注意力实现对特征的加权，并加入两层空间池化层和softmax分类器，完成空间池化模型的构建；将训练集和验证集的样本输入到空间池化网络中进行参数更新，并将测试集的样本输入到已经训练好的空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度。

公开(公告)号：CN112734001A

公开(公告)日：2021-04-30

申请号：CN202011462137.0

申请日：2020-12-09

Applicant: 东南大学

Inventor： 邓艾东 ,  邓敏强 ,  朱静 ,  史曜炜 ,  卢浙安 ,  马骏驰 ,  冯志刚 ,  刘洋 ,  程强

IPC: G06N3/04 ,  G06N3/08 ,  G06K9/00 ,  G01M13/023 ,  G01M13/028

Abstract: 本发明提供了一种基于阶次谱迁移的风电传动链智能故障诊断方法。在训练阶段，通过源域数据和目标域正常数据构建智能诊断模型。首先通过傅立叶分解算法分离原始振动信号中的窄带共振分量，然后通过希尔伯特阶次变换计算共振分量的包络阶次谱，最后通过一维卷积神经网络学习故障特征与故障类别之间的映射关系。在测试阶段，采用相同的傅立叶分解算法和希尔伯特阶次解调提取目标域振动信号的包络阶次谱，然后通过阶次谱迁移算法将目标域数据的故障特征迁移至源域，最后通过训练好的模型识别目标域数据的故障类别。具有识别精度高，对目标设备训练样本依赖性小的特点，能有效应用于故障数据缺乏条件下风电传动链的智能故障诊断。

公开(公告)号：CN112577747A

公开(公告)日：2021-03-30

申请号：CN202011436394.7

申请日：2020-12-07

Applicant: 东南大学

Inventor： 邓艾东 ,  刘洋 ,  程强 ,  邓敏强 ,  朱静 ,  史曜炜 ,  冯志刚 ,  马天霆 ,  王煜伟

IPC: G01M13/045 ,  G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于空间池化网络的滚动轴承故障诊断方法，采集滚动轴承故障状态和正常状态的振动信号，并对采集到的轴承振动信号进行切割形成样本，将样本分为训练集、验证集和测试集；然后将训练集和验证集中的样本输入到卷积神经网络中进行训练并调整其结构；在确定结构的卷积神经网络最后一个“卷积+池化”单元后加入空间池化注意力实现对特征的加权，并加入两层空间池化层和softmax分类器，完成空间池化模型的构建；将训练集和验证集的样本输入到空间池化网络中进行参数更新，并将测试集的样本输入到已经训练好的空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度。