公开(公告)号：CN119249229A

公开(公告)日：2025-01-03

申请号：CN202411360127.4

申请日：2024-09-27

Applicant: 郑州轻工业大学

Inventor： 巩晓赟 ,  魏亚格 ,  杜文辽 ,  李川 ,  高艺源 ,  赵斌斌 ,  王宏超 ,  田淑侠

IPC: G06F18/241 ,  G06F18/213 ,  G06N3/0442 ,  G06N3/08 ,  G01M13/045

Abstract: 本发明属于轴承故障诊断技术领域，提出了一种小样本下基于时频域对比学习的轴承故障诊断方法，通过对无标签的轴承振动数据进行预训练，利用时频域对比学习模型提取时间域和频率域特征的联合表示。在预训练阶段，模型通过时间域和频率域编码器深入学习故障数据的潜在特征，并通过域投影器将这些特征映射到一个统一的时频特征空间中，利用预训练的时频一致性对比学习模型与多层感知机分类器相结合，在小样本标记的振动数据集上进行微调训练，以增强模型的分类能力。最终，通过测试集评估模型的故障分类性能。本发明通过时频对比学习模型的预训练，有效克服了标记样本不足的难题，提升了小样本条件下的故障诊断准确性，具有良好的实际应用价值。

公开(公告)号：CN118013833A

公开(公告)日：2024-05-10

申请号：CN202410151667.5

申请日：2024-02-02

Applicant: 郑州轻工业大学

Inventor： 巩晓赟 ,  冯昆鹏 ,  杜文辽 ,  王宏超 ,  孟凡念 ,  高艺源 ,  谢贵重 ,  邬昌军 ,  赵斌斌

IPC: G06F30/27 ,  G06F30/17 ,  G06N3/126 ,  G01M13/045

Abstract: 滚筒叶片回潮机托辊轴承动态特性的代理模型构建方法。以轴承结构参数作为设计因素，以仿真信号与实测信号的特征值误差为响应，利用正交试验获取不同参数对响应影响的显著性情况；使用最优拉丁超立方抽样方法建立样本参数集；通过CRITIC权重法结合模糊灰色关联分析将特征值误差转换为模糊关联度；利用D‑IELM模型，构建结构参数与模糊关联度之间的代理模型，并对模型精度进行检验；利用PSO并引入自适应惯性权重和遗传算法的交叉和变异模块改进算法性能进行迭代求解，获取最优结构参数组合。通过滚筒叶片回潮机托辊轴承动态特性的代理模型构建方法，可建立“高保真”滚筒叶片回潮机托辊轴承动态仿真模型。

公开(公告)号：CN117218648A

公开(公告)日：2023-12-12

申请号：CN202311359864.8

申请日：2023-10-20

Applicant: 郑州轻工业大学

Inventor： 费致根 ,  李培婷 ,  姚雷 ,  肖艳秋 ,  王才东 ,  曹宁 ,  郑华栋 ,  代利国 ,  赵斌斌

IPC: G06V20/68 ,  G06V10/20 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于LightYOLO_CBAM网络模型的冻饺表面缺陷实时检测方法，按以下步骤进行：第一是制作标注数据集，在标每张图像中标注出每个冻饺的位置及类别；第二是数据预处理，对图像进行尺寸缩放和数据增强；第三是构建LightYOLO_CBAM网络模型；第四是对LightYOLO_CBAM网络模型进行训练；第五是保存LightYOLO_CBAM网络模型；第六是使用LightYOLO_CBAM网络模型针对通过摄像装置输入的冻饺图像进行表面缺陷实时检测。本发明通过对YOLOv4目标检测模型进行改进，对冻饺每个类的检测精度和识别精度均显著提高，模型尺寸大幅减小，对每个类别的平均识别精度指标提高了19.14%，每秒检测图像帧数指标提高了16.9%，满足工业生产中对速冻水饺表面缺陷实时检测的需求。

公开(公告)号：CN119862460A

公开(公告)日：2025-04-22

申请号：CN202411920512.X

申请日：2024-12-25

Applicant: 郑州轻工业大学

Inventor： 杜文辽 ,  杨凌凯 ,  王宏超 ,  姜礼杰 ,  赵斌斌 ,  巩晓赟 ,  谢贵重 ,  赵峰 ,  邬昌军 ,  高艺源

IPC: G06F18/241 ,  G06F18/213 ,  G06F18/214 ,  G06F18/21 ,  G01M13/028 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提出了一种基于多尺度动态权重混合CNN的旋转机械故障诊断方法，步骤为：采集诊断对象各个状态下的振动信号；对振动信号进行标准化处理构建数据集，将数据集划分为训练集、验证集和测试集；构造一维卷积神经网络和2D CNN，一维卷积神经网络和2D CNN之间设置1D‑2D转换层，构建MDW‑MCNN模型；利用训练集对MDW‑MCNN模型进行训练，保存最优的参数作为故障诊断模型；利用验证集对故障诊断模型进行验证，得到最终故障诊断模型；将测试集的输入到最终故障诊断模型中，得到故障诊断结果。本发明充分利用1D CNN构造原始振动信号多尺度动态加权的二维表达以及2D CNN强大的特征学习能力，有效提高了故障诊断精度。

公开(公告)号：CN119357887A

公开(公告)日：2025-01-24

申请号：CN202411363265.8

申请日：2024-09-27

Applicant: 郑州轻工业大学

Inventor： 巩晓赟 ,  张世康 ,  高艺源 ,  赵斌斌 ,  杜文辽 ,  谢贵重 ,  王良文

IPC: G06F18/25 ,  G06F18/10 ,  G06F18/2131 ,  G06N3/0464 ,  G06F18/2431

Abstract: 本发明涉及一种电机多源异构数据的自适应特征加权融合故障诊断方法，通过构建多头深度卷积神经网络，在神经网络中设计多个并行卷积通道，深度挖掘电流和振动的原始信号的异常特征，分别聚焦于不同维度上的信号特征，确保关键特征信息的全面捕捉。采用相关性分析方法对提取的多维特征进行自适应加权融合，以突出异常关键特征，提高多源异构数据的特征融合效果与异常检测的准确性。采用了SELU激活函数并结合了动态衰减学习率的超参数优化策略，有效解决了模型训练过程中易出现的过拟合问题，提升了模型的收敛稳定性和故障识别的高精度。通过对多源异构数据特征的自适应融合，有效提取了关键的故障特征，提高了机电耦合故障场景下的诊断准确性。