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：CN119884883A

公开(公告)日：2025-04-25

申请号：CN202510033188.8

申请日：2025-01-09

Applicant: 安徽工业大学

Inventor： 戚晓利 ,  王志文 ,  崔德海 ,  杨文好 ,  赵方祥 ,  罗登程

IPC: G06F18/241 ,  G01M13/021 ,  G01M13/028 ,  G06F18/211 ,  G06F18/213 ,  G06F18/214 ,  G06F18/25 ,  G06N3/0895 ,  G06N3/045 ,  G06N3/0464 ,  G06N20/20

Abstract: 本发明公开了一种基于改进后MobileNetV3‑AHFF网络的行星齿轮箱故障诊断方法，属于故障诊断技术领域，包括以下步骤：采集行星齿轮箱在不同工况下的一维振动加速度信号，然后应用Chirplet连续变换将其生成二维时频图，制作行星齿轮箱故障数据集；将SWD‑HNNE模块融入MobileNetV3‑AHFF网络中，进而引入基于SWD距离的度量方式和半监督学习思想，得到改进后的MobileNetV3‑AHFF网络，即MobileNetV3‑AHFF‑SWD‑HNNE网络；对MobileNetV3‑AHFF‑SWD‑HNNE网络进行多轮迭代训练，保存最优模型并将其作为故障诊断模型，利用该模型进行行星齿轮箱故障诊断，得到诊断结果。本发明将流形降维模块融入MobileNetV3‑AHFF网络架构中，并结合基于SWD距离的度量方式和半监督学习思想，实现对高维故障数据集的特征筛选和降维处理，有效地提高了行星齿轮箱的故障识别精度。