公开(公告)号：CN117932413B

公开(公告)日：2024-06-11

申请号：CN202410340224.0

申请日：2024-03-25

Applicant: 南京信息工程大学

Inventor： 钱巍巍 ,  蔡镇梁 ,  苏文涛

IPC: G06F18/24 ,  G06F18/213 ,  G06F18/214 ,  G06N3/0475 ,  G06N3/094

Abstract: 本发明公开了一种变工况下基于风格迁移的高泛化性机械智能故障诊断方法，针对域偏移以及目标域故障样本稀缺的场景。该方法包括如下步骤：第一步，通过一维循环一致性对抗生成网络，利用源域样本以及目标域正常状态样本生成辅助训练样本。第二步，通过源域样本及辅助训练样本构建新训练集。第三步，通过训练数据来训练特征提取器，获得原始特征。第四步，通过特征筛选进一步获得处理后特征。第五步，对处理后特征进行分类，并对子模型的输出进行分布对齐。第六步，将故障信号输入训练好的网络进行诊断。本发明的变工况下基于风格迁移的高泛化性机器故障智能诊断方法更好地实现了变工况目标域故障样本缺失场景下的智能诊断。

公开(公告)号：CN120011718A

公开(公告)日：2025-05-16

申请号：CN202510487689.3

申请日：2025-04-18

Applicant: 南京信息工程大学

Inventor： 钱巍巍 ,  杨雨婷 ,  丁中天

IPC: G06F18/10 ,  G06F18/213 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种全局局部特征掩码降噪的振动信号自适应去噪方法，包括：第一步，通过预处理将信号分割为帧再使用堆叠升维，将一维信号转为二维时域信号。第二步，搭建具有质数空洞系数序列的卷积模块，处理故障脉冲尺度变化。第三步，通过混合Transformer自适应地学习高低频噪声并设计一种新型掩码进行去噪。第四步，构建可解释时频域联合约束。第五步，引入重叠加法策略，将处理后的信号恢复为一维信号并输出，得到去噪信号。本发明构建了一种针对一维信号的时域二维去噪与恢复方法，无需单独调节去噪参数，即可实现低信噪比下振动信号保真去噪，并能有效辅助频谱分析与智能故障诊断。

公开(公告)号：CN119128551A

公开(公告)日：2024-12-13

申请号：CN202411621782.0

申请日：2024-11-14

Applicant: 南京信息工程大学

Inventor： 钱巍巍 ,  田霖翰 ,  陶云杰 ,  卞迅

IPC: G06F18/22 ,  G06F18/214 ,  G06F18/24 ,  G06F18/10 ,  G06N3/0442 ,  G06N3/08 ,  G01M13/045

Abstract: 本发明公开了一种基于时序特征线性调制智能超采样的故障诊断方法，通过对信号采样率的提升，补充高频段细节，增强故障诊断性能。步骤包括：获得原始振动信号。对原始振动信号进行预处理，通过降采样得到低采样率信号。配对低采样率信号和原始振动信号，用于智能超采样网络训练。构建超采样率模型，实现超采样率信号的预测输出。构建故障诊断模型，学习信号故障分类的特征。将训练集输入超采样率故障诊断模型对模型进行训练。将振动信号输入训练好的模型，得到超采样率信号，对超采样率信号进行分类，得到其健康状态类型。本发明的故障诊断模型更好地解决了在面对低采样率信号时诊断性能较差的难题同时较为真实地恢复了信号的高频信息。

公开(公告)号：CN119004122A

公开(公告)日：2024-11-22

申请号：CN202411490709.4

申请日：2024-10-24

Applicant: 南京信息工程大学

Inventor： 钱巍巍 ,  储怡婷 ,  陆振宇 ,  丁中天

IPC: G06F18/214 ,  G06F18/10 ,  G06F18/2131 ,  G06F18/27 ,  G06N20/00

Abstract: 本发明公开了一种基于幅相特性和时频域自监督的轴承寿命预测方法，包括：获得原始振动信号数据。对原始振动信号进行预处理，分割训练集和测试集。将预处理后的训练集进行数据增强，形成自监督学习所需正负例样本。构建趋势解纠缠过程，提取时域特征。构建周期解纠缠过程，提取幅值和相位特征。在提取的特征上进行有监督训练，对模型调整。输入新的振动信号，得到预测输出。本发明基于自监督对比学习框架，通过构建幅相增强和周期趋势表征，有效提高在多变工况下模型的泛化性能，提升了振动信号寿命预测的准确性和鲁棒性。

公开(公告)号：CN118779730A

公开(公告)日：2024-10-15

申请号：CN202411276744.6

申请日：2024-09-12

Applicant: 南京信息工程大学

Inventor： 钱巍巍 ,  全红玮 ,  苏文涛

IPC: G06F18/241 ,  G06F18/22 ,  G06N3/0895

Abstract: 本发明公开了一种设备未知工况下基于自监督单域泛化的故障诊断方法，通过自监督对比学习框架，提取振动信号特征，解决了现有诊断模型在复杂工况中泛化能力不足的问题。该方法包括以下步骤：获得轴承振动信号数据。预处理振动信号，分割训练集和测试集。构建数据增强库。构建自监督学习框架，以对比为目标解决实例分类问题。对振动信号进行数据增强。使用动量对比对模型进行训练，得到特征提取器并微调。应用训练好的模型对新振动信号进行分类，得到其健康状态类型。本发明降低了获取故障标签的成本，提升了诊断模型在复杂工况中的适用性。