公开(公告)号：CN118468017B

公开(公告)日：2025-02-28

申请号：CN202410235383.4

申请日：2024-03-01

Applicant: 北京交通大学

Inventor： 王彪 ,  任翔宇 ,  程晓卿 ,  邱海权 ,  秦勇 ,  贾利民

IPC: G06F18/214 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/09

Abstract: 本发明涉及旋转机械寿命预测技术领域，具体公开了一种基于长期演化学习的旋转机械剩余使用寿命预测方法，包括：进入初始学习阶段，利用自适应权重连接构建基于循环卷积神经网络的预测模型，获取当前阶段的振动信号数据集，对预测模型进行训练，训练完成后，测量权重连接的稳定性，并根据样本的信息性和多样性选取当前阶段的代表性样本；进入演化学习阶段，获取当前阶段的振动信号数据集与代表性样本组合后，对上一阶段训练好的预测模型进行训练，在当前阶段训练中，自适应权重连接的更新率随上一阶段权重连接的稳定性变化；当前阶段训练完成后，测量权重连接的稳定性，并根据样本的信息性、多样性和新颖性从当前阶段的振动信号数据集中选取当前阶段的代表性样本；对预测模型进行多次演化学习，直至满足训练目标。本发明预测模型能够长期保留习得的旧知识并对新知识进行灵活的学习，从而对旋转机械实现可靠高效的剩余使用寿命预测。

公开(公告)号：CN116304934A

公开(公告)日：2023-06-23

申请号：CN202211127204.2

申请日：2022-09-16

Applicant: 北京交通大学

Inventor： 秦勇 ,  任翔宇 ,  王彪 ,  贾利民 ,  王瑞 ,  林怡秋

IPC: G06F18/2433 ,  G01M13/045 ,  G01M13/04 ,  G06F18/25

Abstract: 本发明提供了一种基于对抗嵌合网络的列车轮对轴承故障诊断方法。该方法包括：构建包括特征提取模块、鉴别模块和故障识别模块的故障诊断模型，对故障诊断模型进行迭代更新训练，得到训练好的故障诊断模型，获取不同工况下列车轮对轴承的原始多传感器监测信号，对各传感器原始信号进行标准化处理，获得预处理后的传感器监测数据，将传感器监测数据输入到训练好的特征提取模块，特征提取模块从传感器监测数据中提取故障特征，将故障特征输入到训练好的故障识别模块中，获取列车轮对轴承的故障诊断结果。本发明方法能够从多传感器监测信号中挖掘列车轮对轴承的故障信息，高效、准确地识别列车轮对轴承的健康状况，保证列车轮对轴承安全、可靠运行。

公开(公告)号：CN118468017A

公开(公告)日：2024-08-09

申请号：CN202410235383.4

申请日：2024-03-01

Applicant: 北京交通大学

Inventor： 王彪 ,  任翔宇 ,  程晓卿 ,  邱海权 ,  秦勇 ,  贾利民

IPC: G06F18/214 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/09

Abstract: 本发明涉及旋转机械寿命预测技术领域，具体公开了一种基于长期演化学习的旋转机械剩余使用寿命预测方法，包括：进入初始学习阶段，利用自适应权重连接构建基于循环卷积神经网络的预测模型，获取当前阶段的振动信号数据集，对预测模型进行训练，训练完成后，测量权重连接的稳定性，并根据样本的信息性和多样性选取当前阶段的代表性样本；进入演化学习阶段，获取当前阶段的振动信号数据集与代表性样本组合后，对上一阶段训练好的预测模型进行训练，在当前阶段训练中，自适应权重连接的更新率随上一阶段权重连接的稳定性变化；当前阶段训练完成后，测量权重连接的稳定性，并根据样本的信息性、多样性和新颖性从当前阶段的振动信号数据集中选取当前阶段的代表性样本；对预测模型进行多次演化学习，直至满足训练目标。本发明预测模型能够长期保留习得的旧知识并对新知识进行灵活的学习，从而对旋转机械实现可靠高效的剩余使用寿命预测。

公开(公告)号：CN116561561A

公开(公告)日：2023-08-08

申请号：CN202310535518.4

申请日：2023-05-12

Applicant: 北京交通大学

Inventor： 程晓卿 ,  任翔宇 ,  秦勇 ,  贾利民 ,  王彪

IPC: G06F18/213 ,  G06F18/25 ,  G06F18/27 ,  G06F18/15 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06N3/084 ,  G01M13/045 ,  G01M13/04 ,  G06F123/02

Abstract: 本发明提供基于高斯弹性卷积的滚动轴承剩余寿命预测方法及系统，属于基于神经网络的机械设备剩余寿命预测技术领域，获取变转速条件下滚动轴承的振动信号和转速信号；利用预先训练好的寿命预测模型对获取的振动信号和转速信号进行处理，得到轴承的寿命预测结果；其中，寿命预测模型的训练中构建时间信息嵌入层，将承载轴承转速信息和轴承运行时间信息引入到表示学习中，根据不同退化率对退化特征进行重标定，获取用于回归分析剩余寿命预测的时间序列信息。本发明可直接从滚动轴承的从变转速振动监测信号中提取具有弹性尺度的退化特征并进行特征重标定，准确地挖掘与滚动轴承健康状况最相关的退化信息，实现了变转速条件下的滚动轴承剩余寿命预测。

公开(公告)号：CN114970744A

公开(公告)日：2022-08-30

申请号：CN202210685133.1

申请日：2022-06-16

Applicant: 北京交通大学

Inventor： 王彪 ,  任翔宇 ,  秦勇 ,  贾利民

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G01R31/34 ,  G01M13/045 ,  G01M13/04

Abstract: 一种基于博弈映射学习的信息融合三相电机智能故障诊断方法，通过多个自学习特征映射网络自动提取多传感源的故障特征、构建传感源鉴别器、构建故障模式识别器、使用Adam优化器更新诊断网络参数，来实现三相异步电机的智能故障诊断；本发明通过融合来自不同传感器的故障信息，可诊断的故障类全面覆盖了三相电机的电气类故障与机械类故障，具有诊断精度更高、故障类覆盖范围广鲁棒性更强、稳定性更好的优点，能更好的满足工程实际需求。