公开(公告)号：CN113295420A

公开(公告)日：2021-08-24

申请号：CN202110650227.0

申请日：2021-06-10

Applicant: 燕山大学

Inventor： 李继猛 ,  黎芷昕 ,  张金凤 ,  陶金鑫 ,  李强 ,  成星

IPC: G01M13/045

Abstract: 本发明涉及一种基于周期指导组稀疏模型的滚动轴承故障诊断方法及系统，方法包括：获取滚动轴承的振动信号；根据所述振动信号确定所述振动信号的增强包络；根据所述增强包络和所述振动信号确定增强包络自相关函数；根据所述增强包络自相关函数确定轴承故障冲击周期估计值；根据所述轴承故障冲击周期估计值构建二进制周期序列；将所述二进制周期序列嵌入弹性网作为约束条件，将L0.5范数作为惩罚函数，根据所述振动信号构建组稀疏模型；将所述振动信号输入所述组稀疏模型，确定降噪信号；对所述降噪信号进行增强包络解调确定滚动轴承故障特征信息。本发明通过对周期冲击特征的有效提取，提高滚动轴承特征的特征提取精度和故障识别的准确性。

公开(公告)号：CN112903296A

公开(公告)日：2021-06-04

申请号：CN202110097070.3

申请日：2021-01-25

Applicant: 燕山大学

Inventor： 张金凤 ,  陈利 ,  刘伟 ,  张晓潮 ,  李继猛

IPC: G01M13/045

Abstract: 本发明涉及一种滚动轴承故障检测方法及系统。该方法包括获取待检测的滚动轴承的振动信号；对所述振动信号进行傅里叶变换确定离散幅值谱；利用基于谱包络的频谱分割方法对所述幅值谱进行自动划分，得到多个连续区间；并确定所述连续区间的数量以及每个所述连续区间的最大谱峰频率；将连续区间的数量以及每个所述连续区间的最大谱峰频率作为变分模态分解算法的输入参数，并利用确定输入参数后的变分模态分解算法对所述振动信号进行分解，得到多个模式分量；利用每个所述模式分量的包络谱对所述待检测的滚动轴承进行故障检测。本发明提高了滚动轴承故障检测的准确性。

公开(公告)号：CN110006652B

公开(公告)日：2020-04-03

申请号：CN201910292988.6

申请日：2019-04-12

Applicant: 燕山大学

Inventor： 李继猛 ,  王慧 ,  于青文 ,  王向东 ,  张金凤 ,  张云刚

IPC: G01M13/045

Abstract: 本发明公开了一种滚动轴承故障诊断方法及系统。本发明的诊断方法通过采用短时能量边界检测方法对滚动轴承振动信号的Fourier谱进行自适应划分，实现了自适应地确定频域区间的边界，克服了经验小波变换中因频域划分不理想及模态分量个数设置不当影响分解效果的技术缺陷，提高了故障诊断的精度；同时选取包络谱显著性指数最大的调幅调频模态分量进行解调，获得最优解调包络谱，确保选用的模态分量包含丰富的故障信息，进一步提高了故障诊断的精度。

公开(公告)号：CN119374883A

公开(公告)日：2025-01-28

申请号：CN202411616429.3

申请日：2024-11-13

Applicant: 燕山大学

Inventor： 李继猛 ,  张诗 ,  张金凤 ,  童凯 ,  孟宗

IPC: G01M13/00 ,  G01M13/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于噪声增强卷积神经网络的旋转机械故障诊断方法，属于旋转机械故障诊断技术领域，包括如下步骤：S1、采集旋转机械在不同健康状态下运行时的原始振动信号；S2、将采集到的原始振动信号利用滑动窗进行分割来构造样本数据集，将样本数据集中的每个样本数据转换为二维图像，并构造训练数据集和测试数据集；S3、利用训练数据集对噪声增强卷积神经网络进行训练，并在训练过程中，通过网络权重参数与训练轮次生成噪声，注入到所述噪声增强卷积神经网络中对其进行增强；S4、将训练好的噪声增强卷积神经网络用于测试数据集分析，从而得到测试数据的故障诊断结果。本发明能够增强卷积神经网络模型的泛化性，提高故障诊断的精度。

公开(公告)号：CN111665050B

公开(公告)日：2021-07-27

申请号：CN202010501122.4

申请日：2020-06-04

Applicant: 燕山大学

Inventor： 李继猛 ,  于青文 ,  黎芷昕 ,  吴浩 ,  张金凤

IPC: G01M13/045 ,  G06K9/62

Abstract: 本发明公开了一种基于聚类K‑SVD算法的滚动轴承故障诊断方法，其主要步骤如下：首先利用基于粒子群优化的时变滤波经验模态分解算法对原始信号进行自适应分解，得到各本征模式分量，并计算各分量的相关峭度指标(Kcr)值；然后，选取具有最大Kcr指标值的本征模式分量作为聚类K‑SVD算法的输入样本进行字典学习，得到超完备字典DNew；最后，利用超完备字典DNew，并结合正交匹配追踪算法对滚动轴承原始信号进行稀疏特征提取，并对稀疏表示结果进行包络谱分析提取滚动轴承故障频率特征。本方法有效解决了经典K‑SVD算法对滚动轴承故障冲击特征的学习精度较低等问题，对于实现滚动轴承微弱故障诊断具有重要的意义。

公开(公告)号：CN110006652A

公开(公告)日：2019-07-12

申请号：CN201910292988.6

申请日：2019-04-12

Applicant: 燕山大学

Inventor： 李继猛 ,  王慧 ,  于青文 ,  王向东 ,  张金凤 ,  张云刚

IPC: G01M13/045

Abstract: 本发明公开了一种滚动轴承故障诊断方法及系统。本发明的诊断方法通过采用短时能量边界检测方法对滚动轴承振动信号的Fourier谱进行自适应划分，实现了自适应地确定频域区间的边界，克服了经验小波变换中因频域划分不理想及模态分量个数设置不当影响分解效果的技术缺陷，提高了故障诊断的精度；同时选取包络谱显著性指数最大的调幅调频模态分量进行解调，获得最优解调包络谱，确保选用的模态分量包含丰富的故障信息，进一步提高了故障诊断的精度。

公开(公告)号：CN105372191A

公开(公告)日：2016-03-02

申请号：CN201510687894.0

申请日：2015-10-22

Applicant: 燕山大学

Inventor： 张云刚 ,  李继猛 ,  魏宇鸿 ,  张金凤 ,  王华山

IPC: G01N21/31

CPC classification number: G01N21/3103 ,  G01N2021/3107

Abstract: 一种气态单质汞光谱监测装置，它的氘灯前方设有第一石英透镜，在第一石英透镜与第二石英透镜之间放置装有被测气态单质汞的样品池，在第二石英透镜的另一侧设有摄谱仪，摄谱仪的数据输出端与计算机连接，在上述被测试样品池的底部设有微型压力泵和压力计。本发明的检测方法主要是：把通过摄谱仪得到被测气态单质汞高压下的特征吸收光谱数据I(λK)进行多项式拟合，得到拟合数据I(λK)；再把吸收光谱数据I(λK)和拟合数据I(λK)代入N＝∑∣ln(I(λK)/I(λK))∣/∑(σ(λK)×L)公式中，得出被测气态单质汞的浓度。本发明结构简单、操作方便、成本低、精度高，能够实时在线监测。

公开(公告)号：CN105303181A

公开(公告)日：2016-02-03

申请号：CN201510741010.5

申请日：2015-11-04

Applicant: 燕山大学

Inventor： 李继猛 ,  张云刚 ,  张金凤 ,  谢平

IPC: G06K9/00

CPC classification number: G06K9/00523

Abstract: 本发明公开了一种基于滑动窗的随机共振微弱冲击特征增强提取方法，该方法首先根据被测对象的旋转频率在时域构造滑动窗，然后利用该滑动窗对信号进行时域截取；其次，将截取的每个子信号依次作为变尺度随机共振系统的输入，根据共振响应测度指标的最大化选取最优系统参数，并将其代入共振系统，得到相应子信号的最佳检测结果；最后，将各个子信号的最佳检测结果按统一标准进行归一化处理消除幅值差异，再依次首尾拼接得到最终的检测结果。该方法利用滑动窗将含有多个冲击分量的信号分割成多个含有单个冲击分量的子信号，解决微弱冲击特征难以有效提取的难题，实现不同幅值微弱冲击特征的增强提取，对机械设备早期微弱故障诊断具有重要意义。