公开(公告)号：CN114429150B

公开(公告)日：2024-08-23

申请号：CN202111521473.2

申请日：2021-12-30

Applicant: 哈尔滨理工大学

Inventor： 康守强 ,  张春萌 ,  王玉静 ,  梁欣涛 ,  王庆岩 ,  兰朝凤

IPC: G06F18/213 ,  G06F18/24 ,  G06F18/214 ,  G06N3/0464 ,  G01M13/045

Abstract: 一种基于改进深度子域适应网络的变工况下滚动轴承故障诊断方法及系统，涉及滚动轴承故障诊断技术领域，用以解决现有故障诊断模型对于不同工况分布差异大的振动数据的故障诊断准确率不高的问题。本发明的技术要点包括：对源域和目标域振动数据做短时傅里叶变换得到时频谱图；引入通道注意力机制和首层宽卷积核机制对残差网络进行改进，提取时频谱图中的深层特征；利用局部最大均值差异对源域特征和目标域特征进行子域适应处理，减小源域和目标域各个子域之间的分布差异，实现复杂工况下滚动轴承的故障诊断。本发明可以实现变工况及工况泛化情况下的滚动轴承故障诊断，具有较高的准确率。本发明可广泛应用于滚动轴承故障诊断之中。

公开(公告)号：CN118090214A

公开(公告)日：2024-05-28

申请号：CN202410200991.1

申请日：2024-02-23

Applicant: 哈尔滨理工大学

Inventor： 王玉静 ,  姚丽洋 ,  康守强 ,  梁欣涛 ,  谢金宝 ,  王庆岩

IPC: G01M13/045 ,  G06F18/24 ,  G06F18/10 ,  G06F18/213 ,  G06N3/042 ,  G06N3/0985

Abstract: 本发明公开了一种改进多头图注意力网络的滚动轴承故障诊断方法及系统，涉及滚动轴承故障诊断技术领域。本发明的技术要点包括：根据元学习训练策略将样本集按多个任务划分，每个任务内样本集分为支持集和查询集；引入高斯原型模块和斯皮尔曼算法改进多头图注意力网络，完成支持集、原型集和查询集样本间的连接，实现轴承信号有向图的构造；将轴承信号有向图输入多头图注意力网络的图注意力层，以提取轴承状态特征；在元学习模型的任务内外循环过程中分别引入仿射变换和任务辅助损失，完成循环多次交替迭代，得到滚动轴承故障诊断模型。本发明增强了模型特征提取能力，减少了任务间差异对元学习模型最优参数确定的影响，提高了轴承故障诊断准确率。

公开(公告)号：CN113723492B

公开(公告)日：2024-05-24

申请号：CN202110978295.X

申请日：2021-08-25

Applicant: 哈尔滨理工大学

Inventor： 王庆岩 ,  陈萌 ,  梁欣涛 ,  王玉静 ,  康守强

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/047 ,  G06N3/0464 ,  G06N3/0895

Abstract: 一种改进主动深度学习的高光谱图像半监督分类方法及装置，涉及遥感图像处理技术领域，用以解决现有高光谱图像分类方法中存在的小样本情况下人工标记花费时间过长且分类效果不佳的问题。本发明的技术要点包括：利用有标签样本训练卷积神经网络，并利用卷积神经网络对无标签样本进行类别概率预测；根据预测的类别概率，利用主动学习策略计算获得其中信息量最大的无标签样本；引入随机多图算法对无标签样本进行标记，在伪标签候选池中寻找信息量大的样本作为新样本，将新样本加入训练集，对卷积神经网络的分类模型不断进行微调。本发明在降低标记成本的同时可以提高模型在小样本数据集上的分类性能，可应用于标签样本稀缺的高光谱遥感图像分类之中。

公开(公告)号：CN118035844A

公开(公告)日：2024-05-14

申请号：CN202410231247.8

申请日：2024-02-29

Applicant: 哈尔滨理工大学

Inventor： 康守强 ,  杨得济 ,  王玉静 ,  王庆岩 ,  刘欢 ,  梁欣涛

IPC: G06F18/241 ,  G06F18/23 ,  G06F18/27 ,  G06F18/214 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/088 ,  G06N3/098

Abstract: 一种二次聚合个性化联邦的滚动轴承寿命预测方法及系统，涉及滚动轴承寿命预测技术领域。本发明是针对不同工况下滚动轴承振动数据分布差异大，单一用户数据量少且多个用户间数据不共享的问题而提出的。该方法用不同深度的自编码器提取多尺度特征信息并压缩为散点图，实现特征增强；利用无监督二元回归模型确定第一预测时间，构建分段退化标签；提出二次聚合个性化联邦学习算法，各用户构建改进的CNN‑LSTM模型，并将其参数上传至服务端，服务端采用多任务学习框架，一次聚合多用户同种工况模型参数；在此基础上，利用批量归一化层参数统计信息计算一次聚合模型间相似度，引入权重更新机制指导模型参数二次聚合，减少不同工况模型间的负迁移现象并学习有益的全局知识，最终形成针对各工况的个性化预测模型。经实验验证，所提方法在保障数据隐私的前提下，可实现不同工况下滚动轴承寿命预测，预测平均得分与集中式学习方法相当、相较于联邦平均算法提升0.2197。

公开(公告)号：CN116952583A

公开(公告)日：2023-10-27

申请号：CN202310310421.3

申请日：2023-03-27

Applicant: 哈尔滨市滨奇科技发展有限公司 ,  哈尔滨理工大学

Inventor： 吴彦波 ,  金家兴 ,  王玉静 ,  康守强 ,  梁欣涛 ,  孙宇林

IPC: G01M13/045 ,  G06F30/17 ,  G06F30/23 ,  G06F30/27 ,  G06T17/20 ,  G06F18/214 ,  G06F18/241 ,  G06F18/25 ,  G06N3/0475 ,  G06N3/048 ,  G06N3/094 ,  G06N3/096 ,  G06F111/04 ,  G06F119/14

Abstract: 一种数字孪生驱动深度迁移学习模型的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域，为了解决针对不同工况下滚动轴承源域样本数据标签获取困难、样本量较少，且目标域样本数据标签缺失的问题而提出。该方法以深沟球轴承作为研究对象建立三维模型，通过有限元分析软件及显式动力学算法进行动力学分析，根据加速度探测位置对模型进行仿真计算，获得滚动轴承故障孪生数据；其次，引入基于Wasserstein距离的生成对抗网络，并提出使用梯度惩罚项对其进行改进，减小孪生数据与真实数据之间的分布差异，实现特征融合；最后，利用迁移学习的思想，引入全局注意力机制对残差网络进行改进，利用多核最大均值差异对源域和目标域所提取的特征进行域适应处理，实现无标签目标域样本数据的迁移学习，最终建立基于数字孪生的滚动轴承故障诊断智能模型。实验验证，所提方法可有效解决不同工况下轴承带标签样本缺失的问题，且对于滚动轴承故障诊断准确率有显著提升。

公开(公告)号：CN112101220B

公开(公告)日：2023-03-03

申请号：CN202010971076.4

申请日：2020-09-15

Applicant: 哈尔滨理工大学

Inventor： 康守强 ,  邢颖怡 ,  王玉静 ,  王庆岩 ,  梁欣涛 ,  康成璐

IPC: G06F18/213 ,  G06F18/23 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/088

Abstract: 一种无监督模型参数迁移的滚动轴承寿命预测方法，属于滚动轴承状态识别及剩余寿命预测技术领域。本发明针对实际中某种工况滚动轴承带标签振动数据获取困难，健康指标难以构建及寿命预测误差大的问题而提出的。该方法首先对滚动轴承全寿命周期振动数据提取均方根特征，并引入新的自下而上时间序列分割算法将特征序列分割为正常期、退化期和衰退期3种状态；对振动信号经快速傅里叶变换后的幅值序列进行状态信息标记，并作为改进全卷积神经网络的输入，提取深层特征，经训练构建源域模型和微调后的状态识别模型，实现滚动轴承多状态识别；利用状态概率估计法建立滚动轴承寿命预测模型。实验验证，所提方法无需构建健康指标，可实现无监督条件下不同工况滚动轴承状态识别和寿命预测，并获得较好的效果。

公开(公告)号：CN115270630A

公开(公告)日：2022-11-01

申请号：CN202210913024.0

申请日：2022-07-31

Applicant: 哈尔滨理工大学

Inventor： 王庆岩 ,  和嘉潇 ,  梁欣涛 ,  王玉静

IPC: G06F30/27 ,  G06N3/04 ,  G06N3/08

Abstract: 一种不平衡数据下的多任务植物生化参量反演方法及系统，涉及植物叶片物化参量反演技术领域，用以解决现有技术中由于叶片数据样本不平衡、对多个反演参量任务模型特征利用率低而导致的参量反演结果不准确的问题。本发明的技术要点包括：输入端对多维数据标签预处理，控制不同任务的损失比重相似；构建卷积神经网络，不同反演任务共享底层的特征提取层，输出端使用平衡均方误差作为损失函数，对任务损失使用自适应加权，完成模型训练。本发明考虑到了植物物化参量间的相关性，使用多任务模型降低了模型参数的冗余度，并且能够规避实测数据不平衡导致的对丰富样本的过度表示和对稀缺样本的忽略，提升了多维不平衡数据整体的预测准确度。

公开(公告)号：CN114861349A

公开(公告)日：2022-08-05

申请号：CN202210429223.4

申请日：2022-04-22

Applicant: 哈尔滨理工大学

Inventor： 王玉静 ,  李达 ,  康守强 ,  梁欣涛 ,  谢金宝 ,  王庆岩 ,  孙宇林

IPC: G06F30/17 ,  G06F30/27 ,  G06N3/04 ,  G06N3/08 ,  G06F111/04 ,  G06F111/08

Abstract: 一种基于模型迁移和维纳过程的滚动轴承RUL预测方法，涉及滚动轴承使用寿命预测技术领域，用以解决使用寿命百分比作为标签难以准确描述滚动轴承退化过程以及不同工况情况下轴承寿命预测准确率不高的问题。本发明的技术要点包括：提取某工况下全寿命滚动轴承的各振动统计特征，利用单层NCAE网络与SOM网络构建健康指标模型，使用健康指标对滚动轴承频域幅值序列进行标记；使用源域数据训练结合深度NCAE网络与前馈神经网络FNN的组合网络得到预训练模型；利用目标域数据微调，得到滚动轴承性能退化模型，利用性能退化指标量化值的增量建立维纳过程模型，实现不同工况下滚动轴承的RUL预测。本发明适用于对滚动轴承剩余使用寿命的预测技术中。

公开(公告)号：CN109902399B

公开(公告)日：2022-07-19

申请号：CN201910162041.3

申请日：2019-03-01

Applicant: 哈尔滨理工大学

Inventor： 梁欣涛 ,  康守强 ,  李艺伟 ,  王玉静 ,  王庆岩

IPC: G06F30/17 ,  G01M13/04 ,  G06N3/04

Abstract: 一种基于ATT‑CNN的变工况下滚动轴承故障识别方法，涉及滚动轴承故障识别技术。为了解决现有的变工况下滚动轴承故障识别方法针对复杂分类问题其泛化能力受到一定制约的问题。首先，通过卷积神经网络(CNN)将振动数据映射到非线性空间域，并利用其对输入信号的微小位移、缩放及其他扭曲形式具有不变性的特点，自适应提取变工况下滚动轴承故障特征；其次，提出将注意力机制(ATT)思想融入CNN结构中，进一步提高变工况下轴承振动特征的敏感性；同时通过数据增强方法获得更加丰富多样的训练样本，使得网络得到更充分地学习，提高了鲁棒性。所提出的基于注意力机制CNN(ATT‑CNN)故障诊断模型可实现变工况下的滚动轴承多状态识别与分类，并与其他方法比较，可获得更高的准确率。

公开(公告)号：CN112183667B

公开(公告)日：2022-06-14

申请号：CN202011199000.0

申请日：2020-10-31

Applicant: 哈尔滨理工大学

Inventor： 王玉静 ,  王卓 ,  康守强 ,  王庆岩 ,  谢金宝 ,  梁欣涛 ,  康成璐

IPC: G06V10/774 ,  G06V10/26 ,  G06V10/44 ,  G06V10/762 ,  G06V10/80 ,  G06V10/82 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06N20/20

Abstract: 一种协同深度学习的绝缘子故障检测方法，属于绝缘子故障检测技术领域，用以解决由于航拍图像中绝缘子背景复杂导致绝缘子故障区域的定位及检测精度受到影响的问题。本发明的技术要点在于，以跳跃结构构建FCN‑8s模型，基于FCN算法完成绝缘子图像分割，有效完成了滤除背景的目的；使用随机性更小的K‑means++聚类算法对绝缘子数据集聚类分析，优化YOLOv3算法的初始锚点框参数，进一步提高目标检测模型的定位及检测精度；本发明构建协同FCN和YOLOv3算法的绝缘子故障检测模型，经实验对比，相比于原始YOLOv3算法有效降低了误检与漏检概率，所对比的各项评价指标均有显著提升，有助于工程上综合安全性和经济性的因素考虑做出合理应对。