公开(公告)号：CN113324754A

公开(公告)日：2021-08-31

申请号：CN202110589776.1

申请日：2021-05-27

Applicant: 西安交通大学

Inventor： 孙闯 ,  李天福 ,  赵志斌 ,  王诗彬 ,  田绍华 ,  严如强 ,  陈雪峰

IPC: G01M13/021 ,  G01M13/028 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本公开揭示了一种基于多感受野图卷积的齿轮传动系统故障识别方法，包括：将所采集的已知故障的齿轮传动系统的振动信号进行样本划分获得训练样本集，将训练样本集构造为第一关联图数据；将所采集的未知故障的齿轮传动系统的振动信号进行样本划分获得待测样本集，将待测样本集构造为第二关联图数据；构建由两层多感受野图卷积层和两层全连接层构成的多感受野图卷积网络，通过第一关联图数据对多感受野图卷积网络进行训练；将第二关联图数据输入训练后的多感受野图卷积网络，实现对未知故障的齿轮传动系统的故障识别。

公开(公告)号：CN110509109B

公开(公告)日：2021-04-13

申请号：CN201910638155.0

申请日：2019-07-16

Applicant: 西安交通大学

Inventor： 孙闯 ,  许伟欣 ,  刘一龙 ,  赵志斌 ,  田绍华 ,  严如强

IPC: B23Q17/09

Abstract: 本发明公开了一种基于多尺度深度卷积循环神经网络的刀具磨损监测方法，方法包括以下步骤：基于多路传感器测量的刀具数据预处理数据，构造输入矩阵；构造多尺度卷积神经网络，获取多尺度特征，多尺度卷积神经网络的每个分支基于最大值池化后的输出进行特征融合，最终获得多尺度特征；构造深度循环GRU网络以提取不同时间尺度的特征和表示，深度循环GRU网络包括第一层GRU网络和第二层GRU网络，第二层GRU网络的单元数比第一层GRU网络的单元数多，多尺度特征经过深度循环GRU网络处理后获得不同时间尺度的特征和表示；基于特征构造全连接层，将特征映射到样本标记空间；基于全连接层的输出结果构造线性回归层，获得刀具磨损量。

公开(公告)号：CN109946076B

公开(公告)日：2020-04-28

申请号：CN201910079232.3

申请日：2019-01-25

Applicant: 西安交通大学

Inventor： 陈雪峰 ,  赵志斌 ,  王诗彬 ,  乔百杰 ,  孙闯

IPC: G01M13/045

Abstract: 本发明公开了一种加权多尺度字典学习框架的行星轮轴承故障辨识方法，方法包括以下步骤：基于行星轮轴承振动信号构造分块算子；基于分块算子构造加权多尺度字典学习框架，优化求解加权多尺度字典学习框架，获得故障特征信号；基于调Q小波与l0正则构造加权多尺度字典学习特例，通过特例提取行星轮轴承故障特征信号；基于提取的故障特征信号通过包络分析辨识故障类型。

公开(公告)号：CN119202678B

公开(公告)日：2025-04-04

申请号：CN202411698625.X

申请日：2024-11-26

Applicant: 西安交通大学

Inventor： 丁宝庆 ,  金磊 ,  王诗彬 ,  赵志斌 ,  张兴武 ,  孙闯 ,  温广瑞 ,  曹宏瑞 ,  李应红 ,  陈雪峰

IPC: G06F18/213 ,  G01M13/045 ,  G06F18/22

Abstract: 基于可控稀疏度形态分解的滚动轴承故障诊断方法及系统，其中，采集轴承振动信号与转速信号，根据转速信号选取稳定工况下的振动信号片段；基于离散频率成分的频域稀疏性，构造自适应控制傅里叶字典稀疏度的指标；基于故障脉冲移位不变性，设计确定稀疏度的循环字典学习算法；基于离散频率成分和故障脉冲区分特性，建立可控稀疏度的形态分解算法模型；根据自适应控制稀疏度的约束，利用贪婪算法求解形态分解算法模型中傅里叶字典的稀疏表示以分离离散频率；根据确定稀疏度的约束，交替使用频域最小二乘法和贪婪算法分别求解循环字典和循环字典的稀疏表示；对重构的故障脉冲进行包络谱分析，与轴承故障特征频率对比，计算CI指标，完成诊断。

公开(公告)号：CN119202678A

公开(公告)日：2024-12-27

申请号：CN202411698625.X

申请日：2024-11-26

Applicant: 西安交通大学

Inventor： 丁宝庆 ,  金磊 ,  王诗彬 ,  赵志斌 ,  张兴武 ,  孙闯 ,  温广瑞 ,  曹宏瑞 ,  李应红 ,  陈雪峰

IPC: G06F18/213 ,  G01M13/045 ,  G06F18/22

Abstract: 基于可控稀疏度形态分解的滚动轴承故障诊断方法及系统，其中，采集轴承振动信号与转速信号，根据转速信号选取稳定工况下的振动信号片段；基于离散频率成分的频域稀疏性，构造自适应控制傅里叶字典稀疏度的指标；基于故障脉冲移位不变性，设计确定稀疏度的循环字典学习算法；基于离散频率成分和故障脉冲区分特性，建立可控稀疏度的形态分解算法模型；根据自适应控制稀疏度的约束，利用贪婪算法求解形态分解算法模型中傅里叶字典的稀疏表示以分离离散频率；根据确定稀疏度的约束，交替使用频域最小二乘法和贪婪算法分别求解循环字典和循环字典的稀疏表示；对重构的故障脉冲进行包络谱分析，与轴承故障特征频率对比，计算CI指标，完成诊断。

公开(公告)号：CN118643387A

公开(公告)日：2024-09-13

申请号：CN202410716416.7

申请日：2024-06-04

Applicant: 西安交通大学

Inventor： 刘一龙 ,  李心远 ,  陈雪峰 ,  成玮 ,  聂泽琳 ,  杨志勃 ,  张兴武 ,  赵志斌

IPC: G06F18/241 ,  G06F18/2131 ,  G06N3/096 ,  G06F18/10 ,  G06N3/0464

Abstract: 本发明公开了一种电机滚动轴承故障诊断方法、装置、介质和设备，涉及故障诊断技术领域。本发明使用电机滚动轴承信号的小波时频图作为深度迁移网络的输入，小波时频图能够捕捉信号在不同尺度和频率上的时频特征变化，提高了故障诊断模型的诊断可解释性。同时，本发明通过源域数据训练故障诊断模型的诊断模型能力保持良好的性能，并使用快速批核范数最小化损失降低故障诊断模型对源域数据的依赖性。以及通过目标域数据训练故障诊断模型并使用快速批核范数最大化损失提高故障诊断模型的预测多样性和判别性。从而通过整体训练后，使得故障诊断模型能够保持良好性能的同时保持泛化能力，提高了故障诊断模型对电机滚动轴承的故障诊断准确率。

公开(公告)号：CN118133106A

公开(公告)日：2024-06-04

申请号：CN202311841440.5

申请日：2023-12-28

Applicant: 西安交通大学

Inventor： 翟智 ,  邸一 ,  王福金 ,  赵志斌 ,  陈雪峰

IPC: G06F18/241 ,  G06N3/0455 ,  G06N3/094 ,  G06F18/214

Abstract: 本公开提供一种基于图滤波的可解释时空图异常检测方法，所述方法包括：对接收到的卫星电源系统的原始遥测数据进行预处理，以获得正常样本；构建基于图滤波的可解释时空图异常检测网络；利用所述正常样本训练所述可解释时空图异常检测网络，当迭代次数达到设定的最大迭代次数时或总损失的减小值达到设定阈值，所述可解释时空图异常检测网络训练完成；给定任意接收到的卫星电源系统遥测数据，利用训练完成的可解释时空图异常检测网络进行异常检测和可解释分析。本公开同时捕捉时空信息，利用图滤波技术和巧妙的网络设计提供可解释性，对高噪声和数据缺失有鲁棒性，能够实现高性能的、可信的、实用的卫星电源系统遥测信号异常检测。

公开(公告)号：CN117518003A

公开(公告)日：2024-02-06

申请号：CN202311267728.6

申请日：2023-09-27

Applicant: 西安交通大学

Inventor： 翟智 ,  王福金 ,  赵志斌 ,  邸一 ,  王晨希 ,  陈雪峰

IPC: G01R31/392 ,  G01R31/396 ,  G01R31/388 ,  G01R31/36

Abstract: 一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法，采集电池放电过程中的电流数据和电压数据；建立基于二阶RC等效电路模型的可解释物理驱动神经网络；将采集到的所述电流数据作为特征，所述电压数据作为标签，对所述的可解释物理驱动神经网络进行训练；可解释物理驱动神经网络训练完成后，给定电流数据，训练好的可解释物理驱动神经网络输出电压预测曲线，基于电压预测曲线预测放电结束。

公开(公告)号：CN117232794A

公开(公告)日：2023-12-15

申请号：CN202211690520.0

申请日：2022-12-27

Applicant: 西安交通大学

Inventor： 王诗彬 ,  周江寒 ,  王世傲 ,  丁宝庆 ,  赵志斌 ,  田绍华 ,  孙闯 ,  严如强 ,  陈雪峰

IPC: G01M13/00 ,  G01M13/045 ,  G01M13/021 ,  G01M13/028 ,  G06F18/10 ,  G06F18/213 ,  G06F18/24 ,  G06F18/2136 ,  G06F18/28

Abstract: 公开了一种基于多成分稀疏时域同步平均的旋转机械故障检测方法，基于多成分稀疏时域同步平均的旋转机械故障检测方法中，传感器采集旋转机械的振动信号以及转频或转频脉冲信号，并进行数模转换获得转动信息和转速信息；利用已知的旋转机械的构成和部件数量信息，根据转频信息计算目标成分和转频无关成分对应的类时域同步平均向量ω1，ω2，构造多成分稀疏时域同步平均模型F1与F2，利用迭代优化求解算法对模型进行求解得到稀疏频域信息和重构时域信息，根据部件类型选择对应成分进行分析，并通过指标CIsTsA进行故障诊断，依据分析结果，对信号进行压缩存储。

公开(公告)号：CN113375941B

公开(公告)日：2023-08-25

申请号：CN202110640234.2

申请日：2021-06-08

Applicant: 西安交通大学

Inventor： 张兴武 ,  于晓蕾 ,  赵志斌 ,  李明 ,  孙闯 ,  陈雪峰

IPC: G01M13/045 ,  G01M17/10 ,  G06N3/0464 ,  G06N3/08

Abstract: 本公开揭示了一种高速动车组轴承的开集故障诊断方法，包括：通过加速度传感器采集运行中的高速动车组轴承的振动信号；针对恒定工况的开集诊断场景，输入带有标签的训练数据对一维卷积神经网络进行训练；针对工况变化的开集诊断场景，输入有标签的源域数据和无标签的目标域数据对双边加权对抗网络进行训练；利用训练数据或源域数据的特征建立极值理论模型，之后将测试样本或目标域样本的特征输入已建立的极值理论模型，输出测试样本或目标域样本属于未知故障类型的概率，若概率大于阈值，则测试样本或目标域样本属于未知故障类型，否则属于已知故障类型，根据标签预测值决定测试样本或目标域样本的类别以实现高速动车组轴承的故障诊断。