公开(公告)号：CN113155464A

公开(公告)日：2021-07-23

申请号：CN202110351265.6

申请日：2021-03-31

Applicant: 燕山大学

Inventor： 陈晓玲 ,  杨远翔 ,  谢平 ,  刘影 ,  董晓娇 ,  程生翠 ,  江国乾 ,  武鑫

IPC: G01M13/045

Abstract: 本发明提供一种面向轴承故障识别的CNN模型可视化优化方法，具体实施步骤如下：首先，使用轴承故障试验台的振动加速度传感器采集测试轴承的不同状态下驱动端和风扇端的高频振动加速度信号数据；然后，对轴承振动加速度信号数据做预处理，并划分为训练集、测试集和验证集；接着，搭建轴承故障识别CNN模型，并初始化，将样本图像与标签作为训练样本来训练完整的卷积神经网络模型，并记录完整的卷积神经网络模型中各层相关参数和超参数信息；最后，将轴承故障识别CNN模型可视化，并对可视化模型结果进行分析评估，并依照优化方法优化模型结构。本发明使用了三种可视化的方法，同时得到了基于可视化的参数优化方法和基于可视化判断网络模型的方法。

公开(公告)号：CN111426950B

公开(公告)日：2020-11-27

申请号：CN202010197882.0

申请日：2020-03-19

Applicant: 燕山大学

Inventor： 王洪斌 ,  王红 ,  江国乾 ,  王跃灵 ,  郑正 ,  苏博

IPC: G01R31/34 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出一种多尺度时空卷积深度信念网络的风力发电机故障诊断方法，该方法利用SCADA多变量时间序列固有的时空相关性和交互性特性，设计具有不同卷积核结构的卷积深度信念网络以级联的方式捕获传感器变量间的时空相关性信息，同时以并行的方式在多个滤波器尺度下挖掘变量间交互互补的特征，上述技术手段融合了时空依赖性提取和多尺度特征学习方法，因此能够提取更为丰富的故障诊断信息，与传统的卷积深度信念网络模型及其变体相比，本发明能够增强分类性能，为风力发电机故障诊断领域提供了新的途径。

公开(公告)号：CN104200396B

公开(公告)日：2017-08-11

申请号：CN201410424069.7

申请日：2014-08-26

Applicant: 燕山大学

Inventor： 谢平 ,  张欣欣 ,  江国乾 ,  何群 ,  杜义浩 ,  王一凡

IPC: G06Q50/06

Abstract: 一种风力发电机部件故障预警方法，其内容是：是调用历史数据库中数据对并行回声状态网络组进行模型训练，并测试每个回声状态网络模型的准确性，将符合要求的模型通过过程统计分析得出各特征参数的标准阈值；通过采集风力发电机各部件的不同信号，经数据预处理模块处理后，在信息融合模块中各特征参数与对应标准阈值比较，并将比较结果和对应的权值结合，给出预警信息，并根据现场维护的实际情况调节各特征参数的权值，监测的实时数据要根据预警信息和现场维护情况。本发明是将多种特征参数的监测结果进行融合分析后，给出风力发电机部件的健康参数，保证预警结果的准确性和可靠性。

公开(公告)号：CN104200396A

公开(公告)日：2014-12-10

申请号：CN201410424069.7

申请日：2014-08-26

Applicant: 燕山大学

Inventor： 谢平 ,  张欣欣 ,  江国乾 ,  何群 ,  杜义浩 ,  王一凡

IPC: G06Q50/06

Abstract: 一种风力发电机部件故障预警方法，其内容是：是调用历史数据库中数据对并行回声状态网络组进行模型训练，并测试每个回声状态网络模型的准确性，将符合要求的模型通过过程统计分析得出各特征参数的标准阈值；通过采集风力发电机各部件的不同信号，经数据预处理模块处理后，在信息融合模块中各特征参数与对应标准阈值比较，并将比较结果和对应的权值结合，给出预警信息，并根据现场维护的实际情况调节各特征参数的权值，监测的实时数据要根据预警信息和现场维护情况。本发明是将多种特征参数的监测结果进行融合分析后，给出风力发电机部件的健康参数，保证预警结果的准确性和可靠性。

公开(公告)号：CN114841061B

公开(公告)日：2024-11-26

申请号：CN202210423006.4

申请日：2022-04-21

Applicant: 燕山大学

Inventor： 何群 ,  李晔阳 ,  江国乾 ,  谢平 ,  李文悦 ,  范伟鹏 ,  武鑫

IPC: G06F30/27 ,  G06F119/02 ,  G06F119/08 ,  G06F113/06

Abstract: 本发明公开了一种融合时序信息的风电齿轮箱健康评估方法及系统，属于风力发电机状态监测领域，包括S1、多变量时间序列获取及传感器特征与时序特征生成；S2、卷积自编码高斯混合模型网络构建；S3、训练网络，设置基于输入信号本身能量值的健康度指标并设置阈值；S4、在线评估；本发明通过对时间信息编码获得时序信息并结合传感器信息，利用卷积自编码高斯混合模型学习传感器特征及时序特征，提出基于原始信号能量值分布的健康度指标，用于评估风电齿轮箱运行健康程度。

公开(公告)号：CN114919772B

公开(公告)日：2024-08-13

申请号：CN202210619865.0

申请日：2022-06-02

Applicant: 燕山大学

Inventor： 李英伟 ,  张敬超 ,  李陈 ,  江国乾 ,  赵小川 ,  李小俚

IPC: B64F5/60

Abstract: 本发明公开了一种单旋翼带尾桨式无人直升机旋转机械故障模拟实验台，该实验台整体采用组合式安装方式，实验平台的下端装有脚轮和橡胶垫，上端承载伺服电机、扭矩传感器、电涡流制动器、减速箱、尾桨。伺服电机与盘式扭矩传感器直连并立式安装，传感器上方安装同步轮，用同步带与减速箱输入轴连接，电涡流制动器输出轴上方安装盘式扭矩传感器，传感器另一侧配置同步轮，通过同步带与减速箱主桨连接，减速箱尾桨输出轴通过联轴器串接微量程动态扭矩传感器，在传感器的轴端配有同步轮，靠同步带带动尾桨转动。该实验台可模拟主桨减速箱及尾桨在不同转速、载荷下旋转机械欠润滑、过润滑、润滑污染及破损等故障，降低真机试验成本，提高故障检测效率。

公开(公告)号：CN113988189B

公开(公告)日：2024-05-07

申请号：CN202111273526.3

申请日：2021-10-29

Applicant: 燕山大学

Inventor： 谢平 ,  张兴民 ,  江国乾 ,  崔健 ,  贾楠楠 ,  何群

IPC: G06F18/24 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/082 ,  G06N3/084

Abstract: 本发明涉及一种跨风电机组的迁移故障诊断方法，属于风电机组故障诊断技术领域，包括利用风电机组的SCADA系统采集多组同风场同类型风机数据，并进行数据预处理及数据打标；将机组划分源域机组和目标域机组，源域机组数据和少量目标域机组数据作为训练集，其余的目标域数据按比例划分验证集和测试集；针对风电机组数据设计深度卷积神经网络特征学习模块，进行特征的融合提取，得到不同机组数据的深层特征；将分布对齐后的特征输入到分类层中，输出得到目标域风电机组数据的故障类型。本发明能够多准则加权联合度量，自适应减小机组间数据多元分布异构，提高模型对不同风机数据的泛化能力以及在新目标机组的故障诊断精度。

公开(公告)号：CN117582225A

公开(公告)日：2024-02-23

申请号：CN202311635973.8

申请日：2023-12-01

Applicant: 燕山大学 ,  首都师范大学

Inventor： 江国乾 ,  胡婉玉 ,  韩俊霞 ,  李小俚 ,  谢平

IPC: A61B5/16 ,  A61B5/372 ,  A61B5/00 ,  G06F18/25 ,  G06F18/213

Abstract: 本发明公开了一种基于孤独症儿童左右脑差异性建模的脑电分析方法，属于生物医学信息领域，包括采用脑电数据获取模块采集正常儿童和孤独症儿童的静息态脑电数据，并预处理成模型输入所需的多变量时间序列矩阵；采用时序多尺度特征学习模块捕获脑电信号时间维度上不同尺度的特征，并使用卷积层对多尺度时间特征进行融合；采用空间特征学习与融合模块分别对左右半脑进行空间维度上的卷积操作，提取更为丰富的通道间特征，并使用注意力机制最大化左右半脑特征差异性，最后通过加权平均进行数据融合；采用分类模块通过分类损失优化模型完成训练过程，得到被分析者的患孤独症概率。本发明能够提取孤独症脑电时空特征，提高了辅助分析判断的性能和精度。

公开(公告)号：CN113934302B

公开(公告)日：2024-02-06

申请号：CN202111228964.8

申请日：2021-10-21

Applicant: 燕山大学

Inventor： 谢平 ,  申涛 ,  肖俊明 ,  王新宇 ,  江国乾 ,  杜义浩 ,  陈晓玲

IPC: G06F3/01 ,  G06F18/10 ,  G06F18/213 ,  G06F18/24 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明涉及一种基于SeNet和门控时序卷积网络的肌电手势识别方法，属于肌电信号处理领域，包括：S1、获得手势肌电信号数据，分为训练集、验证集和测试集；S2、对S1的手势肌电信号数据预处理；S3、将S2的手势肌电信号数据增强；S4、构建核心层；S5、构建注意力机制层；S6、构建完整模型；S7、将S3的数据输入到S6的完整模型中，对模型训练至模型损失函数不再提升，保存模型。本发明通过将数据进行增强扩充肌电数据集，提高了模型的识别精度和泛化性；通过使用SeNet对肌电数据通道之间特征提取，通过使用门控时间卷积网络对特征筛选，能够有效提高网络对肌电信号的手势识别精度，同时满足实时性和高性能的要求。

公开(公告)号：CN116383764A

公开(公告)日：2023-07-04

申请号：CN202310384885.9

申请日：2023-04-12

Applicant: 燕山大学

Inventor： 何群 ,  赵汝春 ,  江国乾 ,  谢平

IPC: G06F18/25 ,  G06F18/10 ,  G06F18/213 ,  G06F18/2415 ,  G06N3/0464 ,  G06N3/08 ,  G01M13/021 ,  G01M13/028 ,  G01R31/56

Abstract: 本发明公开了一种电流引导振动特征增强的齿轮箱故障诊断方法，属于风电齿轮箱故障诊断技术领域，包括采集风电齿轮箱中振动和电流信号的原始数据，通过小波包分解将原始数据变换得到电流时频特征矩阵和振动时频特征矩阵；设计电流引导的特征增强模块，用于提取电流信号频带上重要的特征，并将注意力权重应用于振动信号频带特征。分别将振动和电流信号的时频特征矩阵作为输入，经过三次特征提取和特征融合得到特征空间矩阵；将特征空间矩阵通过分类模块并且在决策层自适应加权得到最终诊断结果，最后通过两个分类任务的损失相加共同优化模型完成训练过程。本发明有效的提取以及融合了故障特征，提高了风电齿轮箱故障诊断的性能和精度。