公开(公告)号：CN116701871A

公开(公告)日：2023-09-05

申请号：CN202310707211.8

申请日：2023-06-15

Applicant: 北京工商大学

Inventor： 于重重 ,  李梦雄 ,  吴宗柠 ,  高阔

IPC: G06F18/20 ,  G06F18/2131 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公布了一种基于因果特征加权网络的滚动轴承复合故障特征选择方法，构建因果特征加权网络模型。引入加权网络中心性指标节点强度对复合故障特征进行定量描述，通过深度神经网络模型的复合故障诊断完成特征选择，并利用沙普利累加性解释模型解释所选特征对诊断准确率的贡献度。本发明对滚动轴承复合故障特征选择适用性高，可提高滚动轴承复合故障识别的准确率。

公开(公告)号：CN119555382A

公开(公告)日：2025-03-04

申请号：CN202411585216.9

申请日：2024-11-07

Applicant: 北京工商大学

Inventor： 于重重 ,  徐玮晨 ,  吴宗柠 ,  赵霞 ,  李梦雄

IPC: G01M13/045 ,  G06F18/2115 ,  G06F18/243 ,  G06F18/214

Abstract: 本发明提出一种基于高阶抑制排序算法的全生命周期复合故障预测特征选择方法，包括：1)构建滚动轴承全生命周期复合故障特征数据集FD；2)利用特征数据集FD，将滚动轴承的全生命周期划分为健康、退化、失效三个阶段；3)根据特征数据集FD构建因果特征加权高阶网络；4)构建三个网络Gα，Gβ，Gγ的高阶PageRank值集HPRα、HPRβ和HPRγ；5)将滚动轴承三种状态数据集FDα、FDβ、FDγ里的特征，根据高阶PageRank值构建特征子集Fri；6)进行故障预测与特征选择；本发明针对轴承故障的物理特性，提取信号数据的多种指标特征构建因果特征加权高阶网络，用改进的中心性指标PageRank选择故障预测关键特征。本发明能够用更少的特征实现更精准的故障预测，具有较高的应用价值和推广价值。

公开(公告)号：CN116340745A

公开(公告)日：2023-06-27

申请号：CN202310284435.2

申请日：2023-03-22

Applicant: 北京工商大学

Inventor： 于重重 ,  高阔 ,  吴宗柠 ,  李梦雄

IPC: G06F18/2113 ,  G06F18/20 ,  G06F18/213 ,  G06N7/01 ,  G01M13/045

Abstract: 本发明公布了一种基于因果关系网络的滚动轴承复合故障特征识别方法，通过滚动轴承复合故障特征选择，筛选出滚动轴承复合故障特征，从而有效识别轴承复合故障。本发明通过将复合故障特征间的因果关系用于复合故障特征选择，并构建复杂网络模型，并采用复杂网络节点中心性指标量化不同复合故障特征的重要性，从而筛选出更少数量的特征，同时实现更高的复合故障诊断准确率，且具有良好的通用性。