公开(公告)号：CN114964769A

公开(公告)日：2022-08-30

申请号：CN202210477896.7

申请日：2022-04-26

Applicant: 东南大学

Inventor： 邓艾东 ,  凌峰 ,  杨宏强 ,  王鹏程 ,  董路南 ,  卞文彬 ,  占可

IPC: G01M13/021 ,  G01M13/028 ,  G06F17/16

Abstract: 本发明涉及一种风电齿轮箱振动信号故障诊断方法，包括：获得原始振动信号；根据原始振动信号构造Hankel矩阵，对Hankel矩阵进行奇异值分解获得奇异值序列矩阵；确定奇异值序列矩阵的硬阈值，基于所述硬阈值利用混合阈值奇异值分解降噪算法处理所述奇异值序列矩阵；将处理后的奇异值序列矩阵还原成Hankel矩阵，再还原成降噪后的振动信号；将降噪后的振动信号进行滤波；将滤波后信号进行包络分析，获得故障特征频率。本发明采用奇异值分解的硬阈值自适应选取算法，解决了传统的硬阈值奇异值分解降噪法阈值选取主观性较强、自适应性较弱、易丢失信号特征的问题，旨在实现在强噪声环境下对风电齿轮箱故障特征的有效提取。

公开(公告)号：CN114964769B

公开(公告)日：2025-02-28

申请号：CN202210477896.7

申请日：2022-04-26

Applicant: 东南大学

Inventor： 邓艾东 ,  凌峰 ,  杨宏强 ,  王鹏程 ,  董路南 ,  卞文彬 ,  占可

IPC: G01M13/021 ,  G01M13/028 ,  G06F17/16

Abstract: 本发明涉及一种风电齿轮箱振动信号故障诊断方法，包括：获得原始振动信号；根据原始振动信号构造Hankel矩阵，对Hankel矩阵进行奇异值分解获得奇异值序列矩阵；确定奇异值序列矩阵的硬阈值，基于所述硬阈值利用混合阈值奇异值分解降噪算法处理所述奇异值序列矩阵；将处理后的奇异值序列矩阵还原成Hankel矩阵，再还原成降噪后的振动信号；将降噪后的振动信号进行滤波；将滤波后信号进行包络分析，获得故障特征频率。本发明采用奇异值分解的硬阈值自适应选取算法，解决了传统的硬阈值奇异值分解降噪法阈值选取主观性较强、自适应性较弱、易丢失信号特征的问题，旨在实现在强噪声环境下对风电齿轮箱故障特征的有效提取。

公开(公告)号：CN114441173B

公开(公告)日：2023-11-24

申请号：CN202111630326.9

申请日：2021-12-28

Applicant: 东南大学

Inventor： 邓艾东 ,  卞文彬 ,  刘洋 ,  刘东川 ,  赵敏

IPC: G01M13/045 ,  G06F17/15 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明涉及一种基于改进深度残差收缩网络的滚动轴承故障诊断方法，包括：S1、获取输入振动信号，向输入振动信号中添加高斯白噪声，对加噪信号重复间隔采样获得采样信号，将采样信号矩阵化，转化为灰度图样本，并对样本数据赋予轴承状态的标签；S2、将灰度图样本按比例拆分成训练集和测试集；S3、将稠密连接加入改进残差收缩模块构建改进深度残差收缩网络；S4、将训练集输入改进深度残差收缩网络进行训练，通过前向传播得到误差，通过反向传播优化参数，至误差收敛；S5、将测试集输入训练好的改进深度残差收缩网络获得故障分类结果。本发明具有更快的收敛速度和更强的抗噪声干扰能力，提高了滚动轴承在强噪声变工况下故障诊断的准确率。

公开(公告)号：CN115048856A

公开(公告)日：2022-09-13

申请号：CN202210501643.9

申请日：2022-05-09

Applicant: 东南大学

Inventor： 邓艾东 ,  赵敏 ,  杨宏强 ,  卞文彬 ,  刘东川

IPC: G06F30/27 ,  G06K9/00 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明提出了一种基于MS‑ALSTM的滚动轴承剩余寿命预测方法，包括如下步骤：S1、获得滚动轴承的全周期振动信号，提取振动信号的时域特征；S2、归一化处理后，经过主成分分析方法降维；S3、将降维后的综合指标进行离散小波分解，得到不同尺度的输入，得到训练集与测试集；S4、引入注意力机制，在原始LSTM单元的基础上构建ALSTM模型，输入训练集进行训练；S5、使用训练好的模型进行测试，得到输出结果，即实现剩余寿命预测。实验结果表明，本发明方法预测精度高，预测结果准确，误差小。

公开(公告)号：CN114441173A

公开(公告)日：2022-05-06

申请号：CN202111630326.9

申请日：2021-12-28

Applicant: 东南大学

Inventor： 邓艾东 ,  卞文彬 ,  刘洋 ,  刘东川 ,  赵敏

IPC: G01M13/045 ,  G06F17/15 ,  G06N3/04

Abstract: 本发明涉及一种基于改进深度残差收缩网络的滚动轴承故障诊断方法，包括：S1、获取输入振动信号，向输入振动信号中添加高斯白噪声，对加噪信号重复间隔采样获得采样信号，将采样信号矩阵化，转化为灰度图样本，并对样本数据赋予轴承状态的标签；S2、将灰度图样本按比例拆分成训练集和测试集；S3、将稠密连接加入改进残差收缩模块构建改进深度残差收缩网络；S4、将训练集输入改进深度残差收缩网络进行训练，通过前向传播得到误差，通过反向传播优化参数，至误差收敛；S5、将测试集输入训练好的改进深度残差收缩网络获得故障分类结果。本发明具有更快的收敛速度和更强的抗噪声干扰能力，提高了滚动轴承在强噪声变工况下故障诊断的准确率。