公开(公告)号：CN113673442B

公开(公告)日：2024-05-24

申请号：CN202110971115.5

申请日：2021-08-24

Applicant: 燕山大学

Inventor： 江国乾 ,  聂世强 ,  谢平 ,  李小俚 ,  李英伟 ,  李文悦 ,  周俊超 ,  白佳荣

IPC: G06F18/24 ,  G06F18/2411 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及风力发电机组状态检测技术领域，一种基于半监督单分类网络的变工况故障检测方法，利用小波包分解对原始数据进行变换得到多个子频带，用于构建小波包系数矩阵，通过注意力机制赋予不同行小波包系数不同的权重，设计具有不同卷积核大小的卷积网络，以并行方式在多个卷积核尺度下挖掘变工况条件下轴承振动信号的时间特征，利用轴承正常状态下的振动数据和少量故障状态下的振动数据进行建模和训练，只需少量有标记的故障样本参与，通过构建半监督学习模型，有效地避免了故障数据获取难、故障模式不完备、故障标记成本高等问题；与传统的机器学习方法相比，本发明能够提高变工况条件下轴承故障检测的准确性和可靠性。

公开(公告)号：CN115750226A

公开(公告)日：2023-03-07

申请号：CN202211326195.X

申请日：2022-10-27

Applicant: 燕山大学

Inventor： 江国乾 ,  周俊超 ,  谢平 ,  白佳荣 ,  王霄 ,  何群

IPC: F03D17/00

Abstract: 本发明提出一种基于局部‑全局分层特征建模的风电机组故障诊断方法，属于风力发电机组故障诊断技术领域，根据风电机组结构特点，从局部和全局两阶段建模思想出发，分别建立风电机组子系统局部特征提取模块和整体全局特征融合模块，局部特征提取模块挖掘不同子系统相关变量特征，进而将子系统特征融合提取整机特征以挖掘子系统间互补特征。本发明方法同时关注风电机组子系统内的关联性和子系统间的互补性特征，能提取更为丰富的故障特征。与传统的单子系统及整机特征提取模型相比，本发明能从子系统出发建立模型，再融合子系统特征建立模型，降低了整机建模的难度并解决了子系统建模的局部性，提高了风电机组子系统及整体故障诊断的精度和可靠性。

公开(公告)号：CN114993669B

公开(公告)日：2023-04-18

申请号：CN202210413175.X

申请日：2022-04-20

Applicant: 燕山大学

Inventor： 谢平 ,  王霄 ,  崔健 ,  江国乾 ,  张兴民 ,  周文达 ,  周俊超 ,  何群

IPC: G01M13/028 ,  G01R19/00 ,  G01R31/34 ,  G06F18/10 ,  G06F18/213 ,  G06F18/24 ,  G06F18/25 ,  G06N3/0464

Abstract: 本发明提供多传感器信息融合的传动系统故障诊断方法及系统，属于传动系统故障诊断技术领域，包括获取分布在传动系统中传感器采集到的振动信号、电机定子电流信号以及声音信号，进行稀疏共振分解；获得的预处理数据以并行的方式输入到各自的卷积神经网络中学习特征，提取不同种类信号中的故障特征；所获得的特征数据以并行方式输入到多任务学习模块中进行处理；其中，多任务学习模块包括有监督的分类任务和一个特征度量学习任务，从而实现故障分类。获得的故障分类和声阵列传感器相结合，对声音异常部位的定位进行分析，最终实现故障的准确判断，可作为故障诊断的有效验证，进一步提高故障诊断准确性。

公开(公告)号：CN113673442A

公开(公告)日：2021-11-19

申请号：CN202110971115.5

申请日：2021-08-24

Applicant: 燕山大学

Inventor： 江国乾 ,  聂世强 ,  谢平 ,  李小俚 ,  李英伟 ,  李文悦 ,  周俊超 ,  白佳荣

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及风力发电机组状态检测技术领域，一种基于半监督单分类网络的变工况故障检测方法，利用小波包分解对原始数据进行变换得到多个子频带，用于构建小波包系数矩阵，通过注意力机制赋予不同行小波包系数不同的权重，设计具有不同卷积核大小的卷积网络，以并行方式在多个卷积核尺度下挖掘变工况条件下轴承振动信号的时间特征，利用轴承正常状态下的振动数据和少量故障状态下的振动数据进行建模和训练，只需少量有标记的故障样本参与，通过构建半监督学习模型，有效地避免了故障数据获取难、故障模式不完备、故障标记成本高等问题；与传统的机器学习方法相比，本发明能够提高变工况条件下轴承故障检测的准确性和可靠性。

公开(公告)号：CN114993669A

公开(公告)日：2022-09-02

申请号：CN202210413175.X

申请日：2022-04-20

Applicant: 燕山大学

Inventor： 谢平 ,  王霄 ,  崔健 ,  江国乾 ,  张兴民 ,  周文达 ,  周俊超 ,  何群

IPC: G01M13/028 ,  G01R19/00 ,  G01R31/34 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明提供多传感器信息融合的传动系统故障诊断方法及系统，属于传动系统故障诊断技术领域，包括获取分布在传动系统中传感器采集到的振动信号、电机定子电流信号以及声音信号，进行稀疏共振分解；获得的预处理数据以并行的方式输入到各自的卷积神经网络中学习特征，提取不同种类信号中的故障特征；所获得的特征数据以并行方式输入到多任务学习模块中进行处理；其中，多任务学习模块包括有监督的分类任务和一个特征度量学习任务，从而实现故障分类。获得的故障分类和声阵列传感器相结合，对声音异常部位的定位进行分析，最终实现故障的准确判断，可作为故障诊断的有效验证，进一步提高故障诊断准确性。