公开(公告)号：CN112749688A

公开(公告)日：2021-05-04

申请号：CN202110149643.2

申请日：2021-02-02

Applicant: 北京信息科技大学

Inventor： 王红军 ,  张翔 ,  韩凤霞

IPC: G06K9/00 ,  G06F17/18 ,  G06F30/20 ,  G06F119/10

Abstract: 本发明涉及一种基于MC罚函数的冲击载荷稀疏识别方法及系统，其包括：采集含有噪声信号的转子系统的转子、轴承等振动信号；将振动信号压缩处理后传输至预先建立的稀疏识别模型；对稀疏识别模型进行求解，实现对振动冲击载荷的识别。本发明采用的基于MC罚函数的稀疏分解结果优于L1正则化稀疏分解结果，且在冲击载荷非加载区噪声被很好的抑制。本发明可以广泛在转子系统冲击载荷识别技术领域中应用。

公开(公告)号：CN111160167A

公开(公告)日：2020-05-15

申请号：CN201911312525.8

申请日：2019-12-18

Applicant: 北京信息科技大学

Inventor： 王红军 ,  杨伟 ,  籍永健 ,  韩风霞 ,  彭宝营 ,  张翔

IPC: G06K9/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及一种基于S变换深度卷积神经网络的主轴故障分类识别方法，其步骤：将主轴振动信号作为振动样本信号，并将该振动样本信号分成多段预先设定长度的信号；对每段信号分别进行S变换、小波变换和短时FFT变换，得到时频谱图图像；将生成的时频谱图尺寸进行压缩，然后随机分为训练样本和测试样本，构建CNN神经网络训练集和测试集；将训练样本输入到CNN中，对CNN网络参数进行学习训练构建深度卷积神经网络模型，并将测试样本输入深度卷积神经网络中测试其分类性能；判断CNN模型是否合格，合格则得到理想CNN模型参数，否则返回重新构建CNN模型；将实际采集到的待测振动信号的S变换后的时频特征输入训练好的CNN模型，得到刻画数据类型的故障分类结果。

公开(公告)号：CN112749688B

公开(公告)日：2023-05-16

申请号：CN202110149643.2

申请日：2021-02-02

Applicant: 北京信息科技大学

Inventor： 王红军 ,  张翔 ,  韩凤霞

IPC: G06F18/10 ,  G06F17/18 ,  G06F30/20 ,  G06F119/10

Abstract: 本发明涉及一种基于MC罚函数的冲击载荷稀疏识别方法及系统，其包括：采集含有噪声信号的转子系统的转子、轴承等振动信号；将振动信号压缩处理后传输至预先建立的稀疏识别模型；对稀疏识别模型进行求解，实现对振动冲击载荷的识别。本发明采用的基于MC罚函数的稀疏分解结果优于L1正则化稀疏分解结果，且在冲击载荷非加载区噪声被很好的抑制。本发明可以广泛在转子系统冲击载荷识别技术领域中应用。

公开(公告)号：CN115270953A

公开(公告)日：2022-11-01

申请号：CN202210869864.1

申请日：2022-07-22

Applicant: 北京信息科技大学

Inventor： 王红军 ,  王政博 ,  张翔 ,  刘淑聪 ,  王楠

IPC: G06K9/62 ,  G06K9/00 ,  G06N3/04

Abstract: 本发明涉及一种带梯度惩罚的DCGAN的故障样本生成方法及系统，其包括：构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，所述生成器用于生成假数据，作为生成样本；对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，所述二维灰度图像为故障样本，将所述生成样本和所述故障样本输入所述判别器，获得样本真假分类结果；根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，固定所述生成器和所述判别器的网络参数，对所述正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的所述深度卷积生成对抗网络模型得到生成故障样本集。本发明能有效扩充故障样本，为复杂机电系统故障诊断提供支持。