-
公开(公告)号：CN115586436A
公开(公告)日：2023-01-10
申请号：CN202211273794.X
申请日：2022-10-18
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于磁传感阵列的永磁直线电机高分辨率位置检测方法，属于电机检测技术领域。该方法首先在永磁直线电机上布设磁传感阵列，并向磁传感阵列输入激励信号，以感应永磁直线电机运动所带来的规律性变化磁场，从而输出携带位移信息的信号；其次通过信号处理单元对磁传感阵列的输出信号进行处理得到行波信号；最后对行波信号进行处理，计数得到位移信息量。本发明具有低成本、小型化的优点，能在较少的机械等分下实现高分辨率的位置检测。
-
公开(公告)号：CN113920348B
公开(公告)日：2025-03-18
申请号：CN202111175109.5
申请日：2021-10-09
Applicant: 重庆邮电大学
IPC: G06V10/762 , G06V10/774 , G06N3/084 , G06N3/0895 , G06N3/096 , G06N3/0464
Abstract: 本发明涉及一种基于半监督动量原型网络的风力发电机组齿轮箱诊断方法，属于故障诊断领域。该方法包括半监督动量原型网络训练与故障诊断识别两个流程；1、半监督动量原型网络训练：2、风力发电机组齿轮箱故障诊断：本发明结合半监督中的伪标签学习与小样本学习中的半监督动量原型网络，提出了一种基于半监督动量原型网络的风力发电机组齿轮箱故障诊断方法，该方法充分利用了无标记样本中包含的故障信息，大幅度减轻了原型网络由于标记样本稀缺导致的过拟合现象，增强了半监督动量原型网络在进行微调时的稳定性和准确性。
-
公开(公告)号：CN115541228B
公开(公告)日：2025-05-02
申请号：CN202211233497.2
申请日：2022-10-10
Applicant: 重庆邮电大学
IPC: G01M13/021 , G01M13/028 , G06F18/2415 , G06F18/2431 , G06F18/15 , G06F18/213 , G06F18/214 , G06F18/21 , G06N3/0895 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及故障诊断领域，特别涉及一种风电机组齿轮箱的故障诊断方法包括：采集风电机组齿轮箱的振动信号，将采集到的振动信号按预设长度分割并归一化为故障样本；根据风电机组齿轮箱的历史故障报告对部分故障样本打上故障类别标签；将具有故障类别标签的故障样本划分为支持集、查询集、验证集，并将没有故障类别标签的故障样本作为无标签样本集；构建故障诊断模型，并通过支持集、查询集、验证集与无标签样本集对故障诊断模型进行训练；获取风电机组齿轮箱的目标振动信号，并将风电机组齿轮箱的目标振动信号归一化处理后输入训练好的故障诊断模型计算得到故障诊断结果，通过本发明的方法能够实时对风电机组齿轮箱故障进行诊断。
-
公开(公告)号：CN114813126B
公开(公告)日：2025-04-15
申请号：CN202210364394.3
申请日：2022-04-08
Applicant: 重庆邮电大学
IPC: G01M13/045 , G06F30/17 , G06F30/20
Abstract: 本发明涉及机械故障诊断、模式识别技术等领域，具体为一种基于频带注意力的度量学习滚动轴承故障诊断方法及系统。所述方法包括获取齿轮箱的故障振动信号并进行小波包分析，生成小波包二维时频数据；采用该时频数据训练深度学习模型VGG，构建故障诊断模型；将改进的频带注意力模块嵌入深度学习模型中；将改进的度量学习模块嵌入深度学习模型中；通过齿轮箱数据验证模型的整体有效性。本发明采用深度学习模型VGG作为故障诊断模型。嵌入改进的频道注意力模块，充分利用了所有通道不同频带的信息；嵌入了改进的度量学习模块，能够有效拉近类内距离，拉大类间距离；两者结合能够有效提升故障诊断的精度。
-
公开(公告)号：CN114239384B
公开(公告)日：2024-10-18
申请号：CN202111429337.0
申请日：2021-11-29
Applicant: 重庆邮电大学
IPC: G06F18/241 , G06F18/214 , G06F18/25 , G06N3/0464 , G06F18/243
Abstract: 发明涉及仿真分析技术领域，具体涉及一种基于非线性度量原型网络的滚动轴承故障诊断方法，包括构建级联注意原型非线性度量网络，并对构建的网络进行分类训练，将带诊断的数据进行数据处理后输入训练好的级联注意原型非线性度量网络，输出诊断结果；本发明通过原型计算模块提取特征图，同时对支撑集特征计算原型，在级联注意力模块里将查询样本特征与各类原型一一拼接，然后通过级联注意力机制提取拼接样本的长距离相关性，最后将级联注意力模块提取的特征输入非线性度量模块，从而实现小样本条件下准确有效的轴承故障诊断。
-
Patent Agency Ranking
公开(公告)号：CN113920348A
公开(公告)日：2022-01-11
申请号：CN202111175109.5
申请日：2021-10-09
Applicant: 重庆邮电大学
IPC: G06V10/762 , G06V10/774 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于半监督动量原型网络的风力发电机组齿轮箱诊断方法，属于故障诊断领域。该方法包括半监督动量原型网络训练与故障诊断识别两个流程；1、半监督动量原型网络训练：2、风力发电机组齿轮箱故障诊断：本发明结合半监督中的伪标签学习与小样本学习中的半监督动量原型网络，提出了一种基于半监督动量原型网络的风力发电机组齿轮箱故障诊断方法，该方法充分利用了无标记样本中包含的故障信息，大幅度减轻了原型网络由于标记样本稀缺导致的过拟合现象，增强了半监督动量原型网络在进行微调时的稳定性和准确性。
-
公开(公告)号：CN116227583A
公开(公告)日：2023-06-06
申请号：CN202310222956.5
申请日：2023-03-09
Applicant: 重庆邮电大学
IPC: G06N3/096 , G06N3/0464 , G06N3/045 , G06N3/084 , G06F18/24
Abstract: 本发明涉及仿真分析技术领域，具体涉及一种基于特征级跨模型知识蒸馏的故障识别方法、系统和装置，方法包括获取齿轮箱历史故障振动数据和对应的真实标签，构建训练集；构建教师模型，采用跨通道池化与坐标注意力联合优化的GhostNet构建学生模型，调整学生模型结构，使得学生模型和教师模型的特征提取模块数相同；采用局部最大均值差异对教师模型与学生模型多层特征进行对齐，通过分类损失和特征级蒸馏损失多次迭代联合优化学生模型，当教师模型和学生模型多级特征分布差异最小化，并保存最优学生模型；将待检测的数据输入最优学生模型得到故障识别结果；本发明在保证识别模型的低计算量和低参数量基础上提高了诊断精度。
-
公开(公告)号：CN114239384A
公开(公告)日：2022-03-25
申请号：CN202111429337.0
申请日：2021-11-29
Applicant: 重庆邮电大学
Abstract: 发明涉及仿真分析技术领域，具体涉及一种基于非线性度量原型网络的滚动轴承故障诊断方法，包括构建级联注意原型非线性度量网络，并对构建的网络进行分类训练，将带诊断的数据进行数据处理后输入训练好的级联注意原型非线性度量网络，输出诊断结果；本发明通过原型计算模块提取特征图，同时对支撑集特征计算原型，在级联注意力模块里将查询样本特征与各类原型一一拼接，然后通过级联注意力机制提取拼接样本的长距离相关性，最后将级联注意力模块提取的特征输入非线性度量模块，从而实现小样本条件下准确有效的轴承故障诊断。
-
公开(公告)号：CN115859146A
公开(公告)日：2023-03-28
申请号：CN202211454945.1
申请日：2022-11-21
Applicant: 重庆邮电大学
IPC: G06F18/24 , G06F18/10 , G06F18/213 , G06F18/214 , G01M13/021 , G01M13/028
Abstract: 本发明涉及故障诊断领域，特别涉及一种基于噪声标签鲁棒的联合子域网络齿轮箱故障诊断方法，本发明将结合无监督领域中的深度子域自适应网络与标签噪声表征学习，提出基于噪声标签鲁棒的联合子域网络齿轮箱故障诊断方法；通过深度子域自适应网络实现跨域条件下不同故障类型间的细粒度局部对齐而非全局对齐；同时，通过引入标签噪声表征学习到联合子域网络中，有效缓解了故障诊断过程中因标记故障样本的可识别性差或错误标记而产生的噪声标签问题，进一步提高故障诊断精度。
-
公开(公告)号：CN115541228A
公开(公告)日：2022-12-30
申请号：CN202211233497.2
申请日：2022-10-10
Applicant: 重庆邮电大学
IPC: G01M13/021 , G01M13/028 , G06N3/04 , G06N3/08
Abstract: 本发明涉及故障诊断领域，特别涉及一种风电机组齿轮箱的故障诊断方法包括：采集风电机组齿轮箱的振动信号，将采集到的振动信号按预设长度分割并归一化为故障样本；根据风电机组齿轮箱的历史故障报告对部分故障样本打上故障类别标签；将具有故障类别标签的故障样本划分为支持集、查询集、验证集，并将没有故障类别标签的故障样本作为无标签样本集；构建故障诊断模型，并通过支持集、查询集、验证集与无标签样本集对故障诊断模型进行训练；获取风电机组齿轮箱的目标振动信号，并将风电机组齿轮箱的目标振动信号归一化处理后输入训练好的故障诊断模型计算得到故障诊断结果，通过本发明的方法能够实时对风电机组齿轮箱故障进行诊断。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.02 seconds)
