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：CN116223043A

公开(公告)日：2023-06-06

申请号：CN202310321868.0

申请日：2023-03-29

Applicant: 哈尔滨理工大学

Inventor： 王亚萍 ,  杨慧敏 ,  许迪 ,  张盛 ,  葛江华 ,  徐尊山

IPC: G01M13/045 ,  G06F18/10 ,  G06F18/213 ,  G06N3/006

Abstract: 基于VMD和级联随机共振联合的滚动轴承微弱信号检测方法，属于旋转机械故障诊断技术领域。通过获取滚动轴承的原始振动信号数据，经希尔伯特变换获得其S(t)包络谱，使信号通过高通滤波器，滤波后信号输入ACSRS进行增强。然后，采用量子粒子群算法对级联随机共振中的参数进行自适应寻优，对第一级级联随机共振系统的输出进行VMD分解，直至能量损失因子g以及相关性r满足条件，确定特征频率在IMF分量中的位置。最后根据提取到的特征信号，对增强后的信号进行分解与重构，实现多频微弱信号故障检测。本发明通过实验验证了该方法在减少VMD分解次数的基础上提高运算效率，使得重构后的滚动轴承微弱信号复合故障更易识别。