公开(公告)号：CN109100142A

公开(公告)日：2018-12-28

申请号：CN201810672129.5

申请日：2018-06-26

Applicant: 北京交通大学

Inventor： 王志鹏 ,  陈欣安 ,  贾利民 ,  张蛰 ,  秦勇 ,  王宁 ,  耿毅轩

IPC: G01M13/04

Abstract: 本发明提供一种基于图论的轴承半监督故障诊断方法，该方法首先利用可视图算法将通过传感器得到的轴承原始振动加速度信号转换成复杂网络；再计算复杂网络的结构参数，提取度分布的均值和标准差及网络复杂指数；最后利用基于图的半监督学习处理无标签样本，实现轴承故障诊断。本发明基于少量的标签样本和无标签样本，本发明实现了变工况且样本类别不平衡下情况下的轴承故障诊断，故障识别准确率高，具有显著的使用价值。

公开(公告)号：CN110907177A

公开(公告)日：2020-03-24

申请号：CN201911258077.8

申请日：2019-12-10

Applicant: 北京交通大学

Inventor： 贾利民 ,  左亚昆 ,  王志鹏 ,  王宁 ,  秦勇 ,  陈欣安

IPC: G01M13/045

Abstract: 本发明提供了一种基于分层极限学习机的轴承故障诊断方法，属于机械零部件故障诊断技术领域，对振动加速度信号通过VMD算法分解为多个模态分量；选取依照中心频率大小排序的前四项模态通过SVD算法进行特征提取，对输入的特征数据映射入随机的稀疏化隐含层空间，获取训练样本间的隐藏信息，每层隐含层通过稀疏自动编码器对上一层处理的特征数据进行再次随机映射；通过快速迭代收缩算法(FISTA)获得最优的神经网络权重使得实际输出贴近所规定的标签数据。本发明同时实现了降噪和精准分类，在与分层极限学习机的情况下能够提升识别精度和特征信息使用率；相较于原本的极限学习机而言，在滚动轴承信号的故障诊断上有能达到更高的识别精度和更快的训练速度。

公开(公告)号：CN109297711B

公开(公告)日：2019-11-22

申请号：CN201811069890.6

申请日：2018-09-13

Applicant: 北京交通大学

Inventor： 王志鹏 ,  王宁 ,  贾利民 ,  秦勇 ,  陈欣安 ,  耿毅轩

IPC: G01M13/045

Abstract: 本发明涉及一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法。首先，进行小波去噪和EMD将旋转机械振动信号分解成多个固有模态函数(IMF)；然后，使用SVD对每一个IMF分量的初始特征矩阵进行奇异值分角，将得到的奇异值作为信号的特征向量。最后，对多分类马氏田口方法进行自适应改进，将新方法作为故障诊断的分类器。本发明的方法能够精准地对故障进行识别和分类，识别正确率高，方法可靠。

公开(公告)号：CN109100142B

公开(公告)日：2019-09-13

申请号：CN201810672129.5

申请日：2018-06-26

Applicant: 北京交通大学

Inventor： 王志鹏 ,  陈欣安 ,  贾利民 ,  张蛰 ,  秦勇 ,  王宁 ,  耿毅轩

IPC: G01M13/045

Abstract: 本发明提供一种基于图论的轴承半监督故障诊断方法，该方法首先利用可视图算法将通过传感器得到的轴承原始振动加速度信号转换成复杂网络；再计算复杂网络的结构参数，提取度分布的均值和标准差及网络复杂指数；最后利用基于图的半监督学习处理无标签样本，实现轴承故障诊断。本发明基于少量的标签样本和无标签样本，本发明实现了变工况且样本类别不平衡下情况下的轴承故障诊断，故障识别准确率高，具有显著的使用价值。

公开(公告)号：CN109297711A

公开(公告)日：2019-02-01

申请号：CN201811069890.6

申请日：2018-09-13

Applicant: 北京交通大学

Inventor： 王志鹏 ,  王宁 ,  贾利民 ,  秦勇 ,  陈欣安 ,  耿毅轩

IPC: G01M13/045

Abstract: 本发明涉及一种基于自适应多分类马氏田口方法的旋转机械故障诊断方法。首先，进行小波去噪和EMD将旋转机械振动信号分解成多个固有模态函数(IMF)；然后，使用SVD对每一个IMF分量的初始特征矩阵进行奇异值分角，将得到的奇异值作为信号的特征向量。最后，对多分类马氏田口方法进行自适应改进，将新方法作为故障诊断的分类器。本发明的方法能够精准地对故障进行识别和分类，识别正确率高，方法可靠。