公开(公告)号：CN115753107A

公开(公告)日：2023-03-07

申请号：CN202211547645.8

申请日：2022-12-05

Applicant: 东北林业大学

Inventor： 谢怡宁 ,  高婧伶 ,  赵志超 ,  杨国军 ,  高聪

IPC: G01M13/045 ,  G06F17/14 ,  G06F17/16

Abstract: 基于非线性量子信息熵的微弱滚动轴承故障诊断方法，本发明涉及滚动轴承故障诊断技术中，故障特征提取过程中背景噪声强、故障特征微弱所导致故障监测与诊断效果较差的问题。滚动轴承故障诊断技术通过人工观察振动信号谱线图的变化来捕捉信号的异常。然而，滚动轴承的结构复杂，信号传递路径长，背景噪声强，故障信号微弱，导致故障诊断非常困难。为改善这一问题，本发明提出了一种基于非线性量子信息熵的微弱滚动轴承故障诊断方法。实验表明，该方法能有效地提取滚动轴承早期微弱故障信号特征，降低背景噪声对故障诊断结果的影响。本发明应用于微弱滚动轴承故障诊断。

公开(公告)号：CN116383739A

公开(公告)日：2023-07-04

申请号：CN202310325167.4

申请日：2023-03-30

Applicant: 东北林业大学

Inventor： 谢怡宁 ,  石江涛 ,  高聪 ,  赵志超 ,  朱银平

IPC: G06F18/243 ,  G06F18/25 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/096 ,  G06F123/02

Abstract: 基于域自适应的多模态数据融合的智能故障诊断系统，本发明涉及智能故障诊断、人工智能、深度学习、迁移学习。本发明是为了解决在变工况条件下对故障进行智能诊断的问题。系统包括：采集不同工况条件下的故障振动信号数据；对采集的数据通过快速傅里叶变换转为二维的频域图像；对已知数据样本打上真实标签；通过已知数据样本训练分类器；将目标数据和已知数据的特征进行对齐以减小差异；通过分类器对目标数据进行分类来实现智能故障诊断。本发明用于基于域自适应的多模态数据融合的智能故障诊断领域。

公开(公告)号：CN117520848A

公开(公告)日：2024-02-06

申请号：CN202311542573.2

申请日：2023-11-20

Applicant: 东北林业大学

Inventor： 谢怡宁 ,  高聪 ,  石江涛 ,  阳开华 ,  赵志超

IPC: G06F18/214 ,  G06F18/10 ,  G06F18/213 ,  G06F18/25 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/094 ,  G06N3/0464 ,  G06N3/048

Abstract: 基于多通道融合的变体生成对抗网络故障数据生成方法，本发明涉及工业生产中，振动故障数据质量低，故障数据严重稀缺的问题。振动故障数据在工业领域中具有关键作用，可用于确保设备的可靠性，提高生产效率、降低成本，提高工作环境的安全性。然而在工业生产中，工业设备发生故障事件的概率较低，故障数据的收集相当受限，且涉及数据隐私问题，各工厂间数据无法互通和共享，振动故障数据严重稀缺。为改善这一问题，本发明提出了基于多通道融合的变体生成对抗网络故障数据生成方法。实验表明，该方法能够有效的解决各工厂故障数据稀缺的问题，生成的数据逼真、连续、质量高，同时保证了故障数据的隐私性。本发明应用于工厂故障数据稀缺的情况。

公开(公告)号：CN116383739B

公开(公告)日：2024-01-30

申请号：CN202310325167.4

申请日：2023-03-30

Applicant: 东北林业大学

Inventor： 谢怡宁 ,  石江涛 ,  高聪 ,  赵志超 ,  朱银平

IPC: G06F18/243 ,  G06F18/25 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/096 ,  G06F123/02

Abstract: 基于域自适应的多模态数据融合的智能故障诊断系统，本发明涉及智能故障诊断、人工智能、深度学习、迁移学习。本发明是为了解决在变工况条件下对故障进行智能诊断的问题。系统包括：采集不同工况条件下的故障振动信号数据；对采集的数据通过快速傅里叶变换转为二维的频域图像；对已知数据样本打上真实标签；通过已知数据样本训练分类器；将目标数据和已知数据的特征进行对齐以减小差异；通过分类器对目标数据进行分类来实现智能故障诊断。本发明用于基于域自适应的多模态数据融合的智能故障诊断领域。