成果

标题

Matching Pursuit Network: An Interpretable Sparse Time-Frequency Representation Method Toward Mechanical Fault Diagnosis

• 🏆ESI 高被引论文
• 🔥ESI 热点论文
• SCI
• EI（工程索引）
• 顶刊
• 中科院一区
• JCR Q1
• IF: 9.7
• IF5: 11.9

作者

Huibin Lin; Xiaofeng Huang; Zhuyun Chen; Guolin He; Ciyang Xi; Weihua Li

出版物

IEEE Transactions on Neural Networks and Learning Systems

出版年

2024

DOI

10.1109/TNNLS.2024.3483954

摘要

Rotatory machinery commonly operates in complex environments with strong noise and variable working conditions. Time-frequency representation offers a valuable method for capturing and analyzing nonstationary characteristics, making it particularly suitable for identifying transient fault-related features. However, despite these advantages, extracting robust and interpretable fault features in machinery operating under variable speeds remains a challenge with existing techniques. In this article, a novel sparse time-frequency representation (STFR) method, named matching pursuit network (MPNet) is proposed for mechanical fault diagnosis. First, a deep network structure with signal decomposition capability is constructed by well-defined interpretable matching pursuit (MP) units to automatically learn discriminative features from time-frequency inputs. Then, the weights of each effective component signal to reconstruct the raw input are designed to measure their contributions. Accordingly, the optimization criterion with structural similarity metric is produced to realize the model parameter update in an end-to-end manner. Finally, phenomenological model-based fault simulation signals and real fault signals from gearbox experiments are used for model training and testing, respectively. The results show that the proposed approach can well extract robust and interpretable time-frequency features and obviously outperforms the state-of-the-art time-frequency representation methods.

体现能力可解释时频表示学术研究成果发表

查看原文 ↗成果解读 →

标题

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

• EI（工程索引）
• INSPEC
• 北大核心（中文核心期刊要目总览）
• CSCD（中国科学引文数据库）

作者

林慧斌 王洪畅 习慈羊

出版物

振动工程学报

出版年

2024

DOI

10.16385/j.cnki.issn.1004-4523.2024.03.013

摘要

压缩感知可有效降低机械状态监测信号的数据存储和传输压力，而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系，提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题，提出一种利用故障机理构建数据集的方法，利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络（即深度卷积测量网络）代替传统的观测矩阵对滚动轴承振动信号进行压缩测量，实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性，且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。

体现能力压缩域特征提取可解释建模

查看原文 ↗

标题

用于滚动轴承局部故障诊断的深度降采样方法

• CA（化学文摘）
• 北大核心（中文核心期刊要目总览）
• 科技核心（中国科技论文统计源期刊）

作者

林慧斌，习慈羊，丁康

出版物

重庆理工大学学报(自然科学)

出版年

2023

摘要

受香农采样定理限制，滚动轴承故障诊断往往需要设置较高的采样频率，这给数据传输和存储带来较大压力。基于滚动轴承局部故障振动响应数学模型，提出一种具有较强抗噪性能的深度降采样方法并应用于滚动轴承局部故障诊断。该方法利用仿真信号构造轴承故障样本及其标签对所提深度降采样网络进行训练，再将训练好的网络用于实际轴承故障信号的降采样。实验表明：在合理的降采样率下，所提方法在对原信号进行降维的同时能够很好地保留故障特征频率成分。相比基于高斯测量矩阵的压缩感知方法，所提方法降采样后的信号具有更强的故障特征表达能力，无需重构就可直接用于轴承故障诊断。

体现能力信号降采样机械故障诊断工程取舍

查看原文 ↗成果解读 →

标题

基于CNN的旋转机械局部故障信号降采样与时频表示研究

• 硕士学位论文
• 华南理工大学
• 985工程院校
• 一流大学

作者

习慈羊

出版物

华南理工大学

出版年

2023

DOI

10.27151/d.cnki.ghnlu.2023.000123

摘要

旋转机械在工业生产运行过程中不可避免地会出现各种故障。齿轮和轴承的局部故障是旋转机械最为常见的一种故障类型,在机械故障诊断中具有重要意义。基于齿轮和轴承局部故障振动响应机理,探究了卷积神经网络在旋转机械局部故障信号的降采样与时频表示方面的应用,为缓解机械状态监测信号的传输与存储压力以及实现高精度的机械故障诊断提供了新的解决方案。在平稳工况下,针对压缩感知方法采用测量矩阵降采样后的信号需要进行重构才有物理意义的问题,将卷积神经网络引入到降采样中,提出一种深度降采样网络用于滚动轴承局部故障诊断。为了解决所提深度降采样网络模型训练需要的实测振动信号标签难以获取的问题,利用滚动轴承局部故障信号响应模型来构造时序数据集并用于模型训练。采用所提方法降采样后获得的信号具备明确的物理意义且能较好地保留原振动信号的特征频率信息,克服了压缩感知方法中信号需要重构才能用于故障诊断的缺陷。滚动轴承局部故障的仿真和实验结果表明训练好的深度降采样网络模型对局部故障信号中的谐波成分与共振阶次不敏感,能够直接用于滚动轴承振动信号的降采样,且故障诊断效果优于压缩感知方法。在非平稳工况下,针对现有时频表示方法在较强噪声背景下难以同时兼顾振动信号的时频稀疏特性与脊线连续特性的问题,将卷积神经网络引入到时频表示中。同时为了提高卷积神经网络用于机械故障诊断的可解释性,结合匹配追踪算法的残差分解思想,提出一种具有可解释性的匹配追踪网络,用于较强噪声背景下的齿轮局部故障信号稀疏时频表示。为了解决所提匹配追踪网络模型训练所需的实测振动信号标签难以获取的问题,利用齿轮局部故障信号响应模型构造时频谱数据集并用于所提匹配追踪网络模型训练。齿轮局部故障的仿真和实验结果表明训练好的匹配追踪网络模型能够有效地对不同变速工况下的时频谱中的故障特征进行稀疏提取,保证故障特征脊线连续的同时具有很好的时频表示性能。可视化分析验证了所提匹配追踪网络模型特征提取原理的正确性。

体现能力机械故障诊断时频表示研究能力

查看原文 ↗

专利名称

一种检索方法及装置

• 已公开

申请（专利）号

CN202510317709.2

申请日

2025-03-14

申请人

华为技术有限公司

发明人

习慈羊; 夏昳轩; 严轶康; 叶玲

摘要

本申请提供了一种检索方法及装置。该方法包括第一设备接收第一请求,根据第一请求是否包括标量信息,对第一问题进行标量检索或混合检索,得到p个第一知识,发送第一信息,其中,第一请求用于请求检索第一问题关联的知识,标量信息用于表征第一问题包括的检索对象,p为大于或等于1的整数,第一信息包括p个第一知识。通过根据第一请求中是否包括标量信息,可以及时准确地识别查询场景是标量场景还是非标量场景,以便确定对第一问题是进行标量检索还是混合检索,这样可以实现自适应为不同查询场景选择相匹配的检索策略,以便快速准确地进行检索,有助于提高检索精度,从而可以实现高精度地检索不同应用场景下用户问题相关的知识。

体现能力RAG 检索场景自适应专利方案设计

查看原文 ↗成果解读 →

专利名称

一种基于CNN的旋转机械局部故障信号稀疏时频表示方法

• 已授权

申请（专利）号

CN202310316873.2

申请日

2023-03-27

申请人

华南理工大学

发明人

习慈羊; 林慧斌

摘要

本发明公开了一种基于CNN的旋转机械局部故障信号稀疏时频表示方法,包括步骤：步骤S1,利用旋转机械局部故障信号响应模型和信号预处理构造用于网络模型训练的时频谱数据集；步骤S2,构造一个卷积神经网络模型并对模型进行训练；步骤S3,采集设备端的转速信号并计算不同位置发生故障时的各阶次故障特征时频脊线,同时采集设备端的振动信号并通过信号预处理获得可用于卷积神经网络模型输入的时频谱样本；步骤S4,采用训练好的卷积神经网络模型对时频谱样本进行稀疏特征提取,得到该样本的稀疏时频表示；步骤S5,提取故障特征时频脊线并逐个比对各阶次故障特征时频脊线,进一步确定故障发生位置,从而完成旋转机械的高精度故障诊断。

体现能力可解释时频表示机械故障诊断专利方案设计

查看原文 ↗

专利名称

基于匹配追踪网络的齿轮局部故障信号稀疏时频表示方法

• 已授权

申请（专利）号

CN202410122909.8

申请日

2024-01-29

申请人

华南理工大学

发明人

林慧斌; 黄晓枫; 陈祝云; 习慈羊; 李巍华; 何国林; 王洪畅

摘要

本发明公开了基于匹配追踪网络的齿轮局部故障信号稀疏时频表示方法。所述方法包括：获取得到无噪和含噪的齿轮冲击故障响应仿真信号,对信号进行预处理并以无噪信号样本作为训练标签,以含噪信号样本作为时频谱图训练集；搭建匹配追踪网络模型；将仿真训练样本和标签用于匹配追踪网络训练,得到最佳网络状态参数；将测试样本输入训练好的匹配追踪网络模型中进行特征提取,得到齿轮局部故障信号样本的稀疏时频表示,利用齿轮局部故障信号的稀疏时频表示结果进行故障诊断。本发明获得的信号时频表示兼顾时频稀疏特性与脊线连续特性,有利于实现高精度的旋转机械的故障诊断。

体现能力可解释时频表示机械故障诊断

查看原文 ↗