公开(公告)号：CN116358871B

公开(公告)日：2024-01-23

申请号：CN202310321870.8

申请日：2023-03-29

Applicant: 哈尔滨理工大学

Inventor： 王亚萍 ,  高圣延 ,  许迪 ,  侯德康 ,  葛江华 ,  张祺松

IPC: G01M13/045 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种图卷积网络的滚动轴承微弱信号复合故障诊断方法，所述方法采用多尺度熵的方法，将信号通过滑窗分段为N段，再将每段的时域信号进行精细复合多尺度熵特征提取，应用高斯核函数对不同形式的邻接矩阵定义不同的权值。为了实现图级别的故障诊断，使用具有图池化层和读出层的GCN来获得整个图的表示，获得图表示后，可以在此表示上执行标准机器学习技术。通过实验验证表明，与时域或者频域的节点构建方法相比，精细复合多尺度熵考虑了所有熵值的互相关来评估故障检测中的动态条件，边连接方式使得故障信息只会在相同类型故障节点之间进行传递更新，能够有效识别滚动轴承的复合故障类型，提高故障诊断的效率。

公开(公告)号：CN116662848A

公开(公告)日：2023-08-29

申请号：CN202310379908.7

申请日：2023-04-11

Applicant: 哈尔滨理工大学

Inventor： 王亚萍 ,  张祺松 ,  张盛 ,  曹若凡 ,  范宇琪 ,  杨慧敏

IPC: G06F18/24 ,  G06F18/214 ,  G06N3/084 ,  G06N3/0464 ,  G06F18/10 ,  G06F18/22

Abstract: 本发明公开了一种基于WOA‑VMD与GAT的滚动轴承故障诊断方法，所述方法包括如下步骤：步骤一、通过WOA优化算法对VMD分解的参数模态个数k和惩罚参数α进行自适应确定，从而对原始信号进行VMD分解，再对分解后的信号采用Pearson相关性分析筛选出其中相关性大的IMF分量，以对信号进行重构，完成信号降噪；步骤二、将Attention与图卷积运算进行结合，构建图注意力神经网络滚动轴承故障诊断模型，对价值信息分配更多的比重，用以优化构建图的信息收集阶段，提高模型故障诊断准确率。通过实验验证表明，相比与MLP、Attention模型和GCN模型，其收敛速度更快，诊断精度更高，且损失值较低。

公开(公告)号：CN116358871A

公开(公告)日：2023-06-30

申请号：CN202310321870.8

申请日：2023-03-29

Applicant: 哈尔滨理工大学

Inventor： 王亚萍 ,  高圣延 ,  许迪 ,  侯德康 ,  葛江华 ,  张祺松

IPC: G01M13/045 ,  G06F18/241 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种图卷积网络的滚动轴承微弱信号复合故障诊断方法，所述方法采用多尺度熵的方法，将信号通过滑窗分段为N段，再将每段的时域信号进行精细复合多尺度熵特征提取，应用高斯核函数对不同形式的邻接矩阵定义不同的权值。为了实现图级别的故障诊断，使用具有图池化层和读出层的GCN来获得整个图的表示，获得图表示后，可以在此表示上执行标准机器学习技术。通过实验验证表明，与时域或者频域的节点构建方法相比，精细复合多尺度熵考虑了所有熵值的互相关来评估故障检测中的动态条件，边连接方式使得故障信息只会在相同类型故障节点之间进行传递更新，能够有效识别滚动轴承的复合故障类型，提高故障诊断的效率。