公开(公告)号：CN116754231A

公开(公告)日：2023-09-15

申请号：CN202310499153.4

申请日：2023-05-04

Applicant: 安徽工业大学

Inventor： 戚晓利 ,  王兆俊 ,  毛俊懿 ,  王志文 ,  崔德海 ,  赵方祥

IPC: G01M13/045 ,  G06F18/214 ,  G06F18/24 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于RegNet‑SES的快速诊断滚动轴承故障方法，其具体步骤包括：采集健康、不同故障类型和故障程度的滚动轴承一维振动加速度信号数据；使用连续小波变换将一维振动信号转换成特征信息明显的二维时频图，并制作成滚动轴承混合故障数据集；搭建RegNet‑SES网络模型并完成网络参数初始化，使用深度迁移学习迁移预训练模型的权重参数到RegNet‑SES网络上；将滚动轴承混合故障数据集用于RegNet‑SES网络进行训练，得到针对滚动轴承的混合故障诊断模型。本发明克服了现有模型对滚动轴承混合故障诊断效果不佳以及模型复杂度较高导致计算成本较大等问题，提高了模型诊断精度的同时提升了模型诊断故障的速度。

公开(公告)号：CN115096593B

公开(公告)日：2024-10-25

申请号：CN202210811599.1

申请日：2022-07-11

Applicant: 安徽工业大学

Inventor： 戚晓利 ,  程主梓 ,  崔创创 ,  杨艳 ,  王兆俊

IPC: G01M13/045 ,  G06F18/24 ,  G06F18/213 ,  G06F18/2113

Abstract: 本发明公开了一种基于非线性流形学习的滚动轴承故障诊断方法，属于故障诊断技术领域。本发明包括以下步骤：首先采集滚动轴承的各类工况信号，并获取其时域信号样本集；接着对采集的滚动轴承工况信号进行特征提取和二次特征筛选；然后对于经过二次特征筛选后的各类工况信号数据，量化其低维样本点之间的降维性能指标和构建可视化三维图。本发明融入了监督学习思想和基于马氏距离的度量方式，通过对可视化三维图中各类工况样本之间的聚散性分析，能够有效判断出滚动轴承的各类故障类型。

公开(公告)号：CN115096593A

公开(公告)日：2022-09-23

申请号：CN202210811599.1

申请日：2022-07-11

Applicant: 安徽工业大学

Inventor： 戚晓利 ,  程主梓 ,  崔创创 ,  杨艳 ,  王兆俊

IPC: G01M13/045 ,  G06K9/00 ,  G06K9/62

Abstract: 本发明公开了一种基于非线性流形学习的滚动轴承故障诊断方法，属于故障诊断技术领域。本发明包括以下步骤：首先采集滚动轴承的各类工况信号，并获取其时域信号样本集；接着对采集的滚动轴承工况信号进行特征提取和二次特征筛选；然后对于经过二次特征筛选后的各类工况信号数据，量化其低维样本点之间的降维性能指标和构建可视化三维图。本发明融入了监督学习思想和基于马氏距离的度量方式，通过对可视化三维图中各类工况样本之间的聚散性分析，能够有效判断出滚动轴承的各类故障类型。