公开(公告)号：CN119128714A

公开(公告)日：2024-12-13

申请号：CN202411113487.4

申请日：2024-08-14

Applicant: 东北林业大学

Inventor： 刘吉宇 ,  宫旭 ,  何秋实 ,  徐海彬 ,  李学艺 ,  赵晶 ,  谢怡宁

IPC: G06F18/2431 ,  G06F18/25 ,  G06F18/21 ,  G06N3/045 ,  G06N3/0464 ,  G01M13/028

Abstract: Convformer‑SENet的齿轮故障诊断方法，涉及机械故障诊断领域。针对CNN在齿轮故障诊断中因局部特性限制难以全面捕捉全局故障信息，以及Transformer处理长序列时资源消耗大、容易在数据量小的情况下过拟合的不足，本方法提出了一种新的齿轮故障诊断算法Convformer‑SENet，用来提高齿轮故障诊断准确率。Convformer‑SENet结合了CNN强大的局部特征提取能力和Transformer能够通过自注意力机制捕捉输入序列中任意两个位置之间的依赖关系的优势。兼顾局部和全局特征，同时嵌入SENet通道注意力机制实现自适应学习。本文使用东南大学数据集和东北林业大学齿轮故障数据集，对所提出方法的有效性进行验证。实验结果表明，本专利提出的方法能有效提高齿轮故障诊断准确率，同时通过与其他先进的方法进行对比，Convformer‑SENet在诊断准确性方面均优于其他先进方法。

公开(公告)号：CN118776881A

公开(公告)日：2024-10-15

申请号：CN202411059473.9

申请日：2024-08-04

Applicant: 东北林业大学

Inventor： 李学艺 ,  冉光圣 ,  王相凯 ,  张飞斌 ,  褚福磊 ,  谢怡宁 ,  王志亮 ,  徐海彬

IPC: G01M13/04 ,  G01M13/045

Abstract: 基于多源信号融合的CA‑Transformer轴承故障诊断方法，本发明用于多源信号融合的轴承故障诊断。本发明是为了解决现有轴承故障诊断方法难以准确充分提取故障特征的问题，以及现有的故障诊断方法在复杂数据的训练效率和准确性上都存在一些缺陷。本发明包括：获得待诊断的多源轴承原始振动信号，将待诊断的多源轴承原始振动信号输入到轴承故障诊断网络中获得轴承故障分类诊断结果；CA‑Transformer多源信号融合的故障诊断网络通过以下方式获得：构建基于CA‑Transformer网络框架：由输入阶段、CA‑Transformer阶段和分类阶段组成，在输入阶段，将原始信号数据处理为嵌入向量，CA‑Transformer阶段，基于Transformer网络和交叉注意力机制融合特征，在分类阶段，进一步通过线性层和Softmax层进行分类。

公开(公告)号：CN119066403A

公开(公告)日：2024-12-03

申请号：CN202411148722.1

申请日：2024-08-21

Applicant: 东北林业大学

Inventor： 李明 ,  胡炳豪 ,  吴旭东 ,  李学艺 ,  张飞斌 ,  谢怡宁 ,  王志亮 ,  徐海彬 ,  褚福磊

IPC: G06F18/2131 ,  G06F18/214 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/084 ,  G06N3/094

Abstract: 本发明公开了一种新的故障诊断数据增强方法，即ADGAN，是一种自适应扩散模型的生成对抗网络，ADGAN通过正向扩散链生成高斯混合分布的噪声，使梯度更加平滑和稳定，避免了传统GAN模型中的梯度消失等问题。ADGAN在每个扩散时间步长上，利用不同的噪声数据比例和时间步长相关的鉴别器，学习区分扩散的真实数据和生成数据，生成器通过正向扩散链的反向传播从鉴别器的反馈中学习，正向扩散链的长度能够自适应调整，提高生成器的多样性，有效避免模式崩塌和传统扩散模型反向生成过程缓慢的问题。本专利使用凯斯西储大学轴承数据集和NEFU数据集采集试验台采集的数据集，验证了ADGAN在数据生成效果和稳定性方面表现优异，能够有效解决不平衡数据集中的故障样本问题，显著提升故障诊断性能，为数据增强和故障诊断提供了新的解决方案。

公开(公告)号：CN119848625A

公开(公告)日：2025-04-18

申请号：CN202411940198.1

申请日：2024-12-26

Applicant: 东北林业大学

Inventor： 李学艺 ,  李岱优 ,  赵思为 ,  杨宇轩 ,  张家豪 ,  徐海彬 ,  王天杨

IPC: G06F18/241 ,  G06F18/214 ,  G06F18/213 ,  G06F30/20 ,  G06N3/0464 ,  G06N3/096 ,  G01M13/021 ,  G01M13/028 ,  G06F119/14

Abstract: 一种基于迁移学习故障诊断模型的齿轮故障诊断方法，本发明涉及基于迁移学习故障诊断模型的齿轮故障诊断方法。本发明的目的是为了解决实际齿轮故障诊断过程中故障样本少，数据不平衡，导致齿轮故障诊断准确率低的问题。过程为：构建齿轮训练集；构建迁移学习故障诊断模型，获得训练好的迁移学习故障诊断模型；具体过程为：迁移学习故障诊断模型依次包括特征提取器和分类器；获得训练好的迁移学习故障诊断模型；过程为：齿轮训练集输入模型的特征提取器，特征提取器输出特征；特征输入分类器，分类器输出分类结果；直至总体损失收敛，获得训练好的模型；将实际齿轮箱的测试集输入训练好的模型，得到诊断结果。本发明用于齿轮故障诊断领域。