公开(公告)号：CN119066382A

公开(公告)日：2024-12-03

申请号：CN202411177121.3

申请日：2024-08-26

Applicant: 郑州轻工业大学

Inventor： 孟凡念 ,  邓凯文 ,  高艺源 ,  张德海 ,  杜文辽 ,  巩晓赟 ,  王良文 ,  邬昌军 ,  谢贵重

IPC: G06F18/21 ,  G01M13/04 ,  G06F18/2415 ,  G06F18/2431 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种数字孪生驱动CNN‑BIGRU学习模型的滚动轴承故障诊断方法。首先，以深沟球轴承作为研究对象建立滚动轴承数字孪生模型；其次，基于所建数字孪生模型，通过有限元分析软件及显式动力学算法进行动力学分析，获取预设故障轴承孪生数据；最后，将孪生故障数据输入到CNN‑BIGRU故障分类模型之中，划分训练集与测试集，建立滚动轴承故障诊断智能模型，判断滚动轴承故障类型。使得从孪生模型获得的数据可以用于真实情况的故障诊断问题。所提方法可有效解决不同工况下轴承数据样本缺失的问题，且对故障轴承诊断准确率显著提升。

公开(公告)号：CN117332315A

公开(公告)日：2024-01-02

申请号：CN202311278479.0

申请日：2023-09-28

Applicant: 郑州轻工业大学

Inventor： 孟凡念 ,  王刘杰 ,  周广群 ,  杜文辽 ,  巩晓赟 ,  邓凯文 ,  王良文 ,  邬昌军 ,  谢贵重 ,  李洋洋

IPC: G06F18/241 ,  G06F18/2415 ,  G06F18/213 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/0475 ,  G06N3/045 ,  G06N3/094 ,  G06F123/02

Abstract: 本发明公开了一种基于最大熵和生成对抗网络的轴承疲劳周期预测方法。首先使用生成对抗网络中的生成器对少量数据进行样本生成，用鉴别器对生成的真实样本和生成样本进行区分，其分类器的作用是使用真实样本和生成样本进行训练以防止少数样本过度拟合不平衡样本中的多数数据，其次根据最大熵原理用真实样本区分出轴承疲劳周期不健康阶段的开始，在生成对抗网络模型中添加注意力机制，使其偏重真实样本的特征学习，最后将轴承摩擦力矩数据重构为广义预测特征从而转换成特征图像，使用CNN‑LSTM网络结合特征图像中的数据信息进行训练，最后达到在少样本的条件下，最大限度的根据真实样本的数据学习其特征，使得轴承疲劳周期的预测准确性得到提高。