公开(公告)号：CN114993669A

公开(公告)日：2022-09-02

申请号：CN202210413175.X

申请日：2022-04-20

Applicant: 燕山大学

Inventor： 谢平 ,  王霄 ,  崔健 ,  江国乾 ,  张兴民 ,  周文达 ,  周俊超 ,  何群

IPC: G01M13/028 ,  G01R19/00 ,  G01R31/34 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明提供多传感器信息融合的传动系统故障诊断方法及系统，属于传动系统故障诊断技术领域，包括获取分布在传动系统中传感器采集到的振动信号、电机定子电流信号以及声音信号，进行稀疏共振分解；获得的预处理数据以并行的方式输入到各自的卷积神经网络中学习特征，提取不同种类信号中的故障特征；所获得的特征数据以并行方式输入到多任务学习模块中进行处理；其中，多任务学习模块包括有监督的分类任务和一个特征度量学习任务，从而实现故障分类。获得的故障分类和声阵列传感器相结合，对声音异常部位的定位进行分析，最终实现故障的准确判断，可作为故障诊断的有效验证，进一步提高故障诊断准确性。

公开(公告)号：CN114841061A

公开(公告)日：2022-08-02

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：CN111222467B

公开(公告)日：2022-03-25

申请号：CN202010018074.3

申请日：2020-01-08

Applicant: 燕山大学

Inventor： 何群 ,  郑正 ,  江国乾 ,  贾晨凌 ,  王红 ,  赵婧怡 ,  聂世强

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种风力发电机部件故障分类检测方法，属于风力发电机状态监测技术领域，包括以下步骤：步骤S1对风电机组监测控制和数据采集系统采集到的每个数据输入信号进行小波分解，得到原始输入信号的局部信号；步骤S2将原始信号和分解得到的局部信号分别输入到长短期记忆神经网络中进行特征学习；步骤S3将全局特征和局部特征每个子网络的输出连接起来，进行动态加权处理实现全局特征和局部特征的自适应动态融合；步骤S4将分类结果通过滑动窗口和多数投票的方法以生成最终的检测结果。本发明能够有效的提高风力发电机部件发生故障分类准确率，从而及时对风力发电机故障部件进行处理和维护，避免风力发电机部件的深度伤害。

公开(公告)号：CN113656915A

公开(公告)日：2021-11-16

申请号：CN202110955129.8

申请日：2021-08-19

Applicant: 燕山大学

Inventor： 江国乾 ,  周文达 ,  谢平 ,  范伟鹏 ,  王俪瑾 ,  张志明 ,  何群

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

Abstract: 本发明公开了一种基于深度注意力网络的轴承剩余寿命预测方法，属于轴承剩余寿命预测技术领域，包括以下步骤：设计并利用小波多尺度频带注意力模块，从原始信号中抽取时频信息，自动对轴承退化敏感频带进行筛选；通过混合膨胀卷积捕获不同频带间的空间特征和单一频带的时序特征；进一步构建特征注意力模块自动选择对轴承寿命预测贡献大的时空特征序列；利用回归层对轴承的剩余寿命进行预测。本发明通过小波多尺度频带注意力模块和混合膨胀卷积注意力网络结合，从包含大量噪声和干扰的原始数据中抽取时频信息并自动学习和选择时空特征，能够提高预测精度和模型鲁棒性，为轴承剩余寿命预测领域提供了新的途径。

公开(公告)号：CN113240022A

公开(公告)日：2021-08-10

申请号：CN202110547118.6

申请日：2021-05-19

Applicant: 燕山大学

Inventor： 江国乾 ,  聂世强 ,  谢平 ,  王霄 ,  武鑫 ,  李小俚 ,  何群

IPC: G06K9/62 ,  G06K9/46 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出一种基于多尺度单分类卷积网络的风电齿轮箱故障检测方法，该方法设计具有不同卷积核大小的卷积网络，以并行的方式在多个卷积核尺度下挖掘齿轮箱振动信号的时间特征，仅利用齿轮箱正常状态下的振动数据进行建模和训练，无需有标记的故障样本参与，通过构建无监督学习模型，有效地避免了故障数据获取难、故障模式不完备、故障标记成本高等问题。与传统的机器学习方法相比，本发明能够提高齿轮箱故障检测的准确性和可靠性。

公开(公告)号：CN112438741A

公开(公告)日：2021-03-05

申请号：CN202011062150.7

申请日：2020-09-30

Applicant: 燕山大学

Inventor： 谢平 ,  付子豪 ,  杜义浩 ,  陈晓玲 ,  冯录凤 ,  何群

IPC: A61B5/372 ,  A61B5/18

Abstract: 本发明公开了一种基于脑电特征迁移学习的驾驶状态检测方法及系统，包括：采集被试用户的脑电信号，对所述脑电信号进行预处理，提取特征构建第一目标特征集；从多组第一源数据集中筛选疲劳特征集和情绪数据集，组合成第二源特征集；通过第一迁移学习算法进行实例迁移，得到第三源特征集；基于第三源数据集和第一目标数据集使用第二迁移学习算法进行特征迁移学习，得到第四源特征集、第二目标数据集；使用第四源数据集构建多分类判别模型，将第二目标特征集输入多分类判别模型，得到被试用户的驾驶状态结果。本发明在保证准确率的同时减少了样本标注的繁琐工作，大大提高分类识别的鲁棒性和准确性。