公开(公告)号：CN116975533A

公开(公告)日：2023-10-31

申请号：CN202310958914.8

申请日：2023-08-01

Applicant: 郑州轻工业大学

Inventor： 杜文辽 ,  杨凌凯 ,  王宏超 ,  巩晓赟 ,  谢贵重 ,  赵峰 ,  邬昌军 ,  高艺源 ,  王良文 ,  牛新闯

IPC: G06F18/10 ,  G06N3/0464 ,  G06N3/048 ,  G01M13/045

Abstract: 本发明提出了一种基于SE注意力的多级残差卷积自编码的机械信号降噪方法，步骤为：根据滚动轴承故障信号仿真表达式构建仿真数据集；对仿真数据集填充不同程度的高斯白噪声构建含噪声数据样本集；在卷积自编码网络内部嵌入SE注意力机制模块构造深度卷积自编码网络，进一步结合残差学习构建SE‑MRSCAE模型；利用构建的含噪声数据样本集对SE‑MRSCAE模型进行训练，得到训练好的滚动轴承去噪网络模型；按照预先设定的采样频率采集机械故障振动信号，将机械故障振动信号输入训练好的滚动轴承去噪网络模型，得到去噪后的信号。本发明具有更好的去噪效果和良好的数据自适应性，可以用于各种旋转机械故障信号降噪。

公开(公告)号：CN119862460A

公开(公告)日：2025-04-22

申请号：CN202411920512.X

申请日：2024-12-25

Applicant: 郑州轻工业大学

Inventor： 杜文辽 ,  杨凌凯 ,  王宏超 ,  姜礼杰 ,  赵斌斌 ,  巩晓赟 ,  谢贵重 ,  赵峰 ,  邬昌军 ,  高艺源

IPC: G06F18/241 ,  G06F18/213 ,  G06F18/214 ,  G06F18/21 ,  G01M13/028 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提出了一种基于多尺度动态权重混合CNN的旋转机械故障诊断方法，步骤为：采集诊断对象各个状态下的振动信号；对振动信号进行标准化处理构建数据集，将数据集划分为训练集、验证集和测试集；构造一维卷积神经网络和2D CNN，一维卷积神经网络和2D CNN之间设置1D‑2D转换层，构建MDW‑MCNN模型；利用训练集对MDW‑MCNN模型进行训练，保存最优的参数作为故障诊断模型；利用验证集对故障诊断模型进行验证，得到最终故障诊断模型；将测试集的输入到最终故障诊断模型中，得到故障诊断结果。本发明充分利用1D CNN构造原始振动信号多尺度动态加权的二维表达以及2D CNN强大的特征学习能力，有效提高了故障诊断精度。

公开(公告)号：CN116992217A

公开(公告)日：2023-11-03

申请号：CN202310955184.6

申请日：2023-08-01

Applicant: 郑州轻工业大学

Inventor： 杜文辽 ,  杨凌凯 ,  王宏超 ,  巩晓赟 ,  谢贵重 ,  赵峰 ,  邬昌军 ,  高艺源 ,  王良文 ,  牛新闯

IPC: G06F18/10 ,  G06N3/0464

Abstract: 本发明提出了一种基于多尺度动态加权多维残差卷积的机械信号降噪方法，步骤如下：按照预先设定的采样频率完成机械故障振动信号的采集；利用齿轮故障仿真信号构建仿真数据集；对仿真数据集填充不同程度的高斯白噪声，得到含噪声数据样本集；在深度卷积自编码网络上的编码部分构造多尺度动态加权模块，在深度卷积自编码网络上构造多维融合模块，通过跳跃连接线构建残差模块进行残差学习构建MDW‑MDJRCAE模型；利用含噪声数据样本集对MDW‑MDJRCAE模型进行训练，得到训练好的齿轮去噪网络模型。本发明充分利用一维卷积神经网络构造噪声多尺度动态加权特征以及二维卷积神经网络强大的特征学习能力，可以得到更好地去噪效果。