-
公开(公告)号：CN116108346B
公开(公告)日：2024-11-22
申请号：CN202310126044.8
申请日：2023-02-17
Applicant: 苏州大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于生成特征重放的轴承增量故障诊断终身学习方法，包括：将轴承状态数据集划分为多个不同诊断阶段；学习初始阶段的灰度图片样本，训练第一特征提取器和第一分类器；使用第一特征提取器提取的特征，利用对抗生成网络交替训练，得到第一特征生成器；构建原始故障诊断模型，设置其全连接层神经元数量为初始阶段故障类型数量；在增量学习阶段，利用n‑1阶段的原始故障诊断模型，训练更新n阶段的故障诊断模型，利用特征蒸馏损失函数缩小第n特征提取器与第n‑1特征提取器提取的特征的差异，利用重放对齐损失约束第n特征生成器与第n‑1特征生成器生成的特征相似，更新全连接层神经元数量为初始阶段至第n阶段故障类型数量总和，得到最终故障诊断模型。
-
公开(公告)号：CN118817307A
公开(公告)日：2024-10-22
申请号：CN202410711752.2
申请日：2024-06-04
Applicant: 苏州大学
IPC: G01M13/04 , G01M13/045 , G06F30/17 , G06F119/14
Abstract: 本发明涉及机械设备健康状态评估及故障诊断技术领域，公开一种滚动轴承多点故障动力学建模和振动响应分析方法、系统。本发明以滚动轴承为研究对象，在构建轴承健康状态的动力学模型的基础性下，通过半正弦函数描述滚动体经过局部故障时的时变位移激励从而建立具有多点局部故障的轴承动力学模型，可以准确地模拟滚动轴承的振动机理，适用于轴承在不同故障类型和故障尺寸下的振动响应，为轴承振动响应分析提供理论基础，提高对滚动轴承故障分析的准确性，为数据驱动的滚动轴承智能故障诊断提供多点故障数据样本。
-
公开(公告)号：CN118656688A
公开(公告)日：2024-09-17
申请号：CN202410341882.1
申请日：2024-03-25
Applicant: 苏州斯莱克精密设备股份有限公司 , 苏州大学
IPC: G06F18/241 , G01M13/028 , G01M13/00 , G01M13/021 , G06F18/10 , G06F18/213 , G06F123/02
Abstract: 本发明公开了一种基于低秩多核参数化时频分析的变转速机械故障诊断方法、系统、设备、介质。方法包括振动信号采集及预处理，采集变转速机械振动信号，并对振动信号预处理，得到被分析的信号x(t)，生成高质量时频图，利用低秩多核参数化时频分析方法分析信号x(t)，输出为最终时频图，识别变转速机械故障，计算故障特征阶次和相应的故障特征频率，判断出最终时频图中每条脊线与故障的关系，确定故障类型。本方案融入了多核解调算子，约束了成比例瞬时频率的低秩属性，即使在强噪声条件下也能很好地处理瞬时频率间隔紧密且成比例的多分量信号，生成高质量时频图，精确辨别时变瞬时频率，从而准确检测出变转速旋转机械的潜在故障。
-
公开(公告)号：CN118501629A
公开(公告)日：2024-08-16
申请号：CN202410572771.1
申请日：2024-05-10
Applicant: 苏州大学
IPC: G01R31/12 , G06F18/25 , G06F18/24 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G01R31/52 , B61L1/20
Abstract: 本发明公开了一种基于多尺度卷积融合一维Transformer的走行轨绝缘故障定位方法，具体定位方法步骤如下：步骤一：数据预处理：首先根据实际地铁系统建立计及走行轨接地状态的城轨供电系统动态仿真平台，并通过潮流计算获取不同绝缘故障状态下的钢轨电位信号；步骤二：模型训练：将样本数据集输入多尺度卷积融合一维Transformer网络中进行训练，并通过Adam优化器对模型结构迭代优化；步骤三：模型测试：将测试集数据输入训练好的模型中验证网络的有效性，并给出对应样本的预测标签及网络模型的准确率，基于上述步骤可快速准确地实现城轨回流系统走行轨的绝缘故障定位，整体的定位方法步骤简单，便于操作，实用性强，适合广泛推广使用。
-
公开(公告)号：CN118260631A
公开(公告)日：2024-06-28
申请号：CN202410350184.8
申请日：2024-03-26
Applicant: 苏州大学
IPC: G06F18/24 , G01M13/045 , G06F18/241 , G06F18/2415 , G06F18/10 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/096
Abstract: 本发明提供一种故障轴承中故障类型监测方法和系统，涉及轴承故障诊断技术领域，该方法包括采集各种故障类型的轴承振动信号，并构建故障诊断数据集，将不同阶段的故障任务划分初始任务和增量任务，并确定初始任务和增量任务的故障类别数；构建初始故障诊断模型；基于初始故障诊断模型，对增量任务进行训练，包括模型自适应阶段训练和模型融合阶段训练，通过蒸馏损失将新模型和旧模型进行整合，得到整合后的故障诊断模型；利用整合后的故障诊断模型对待检测的故障轴承振动信号进行故障诊断，得到待检测的故障轴承振动信号的故障类型；与传统的深度学习方法相比，本发明能缓解灾难性遗忘问题，更符合工业应用的实际场景。
-
Patent Agency Ranking
公开(公告)号：CN118163834A
公开(公告)日：2024-06-11
申请号：CN202410226006.4
申请日：2024-02-29
Applicant: 苏州大学
Abstract: 本发明涉及一种轨道交通走行轨绝缘破损定位装置和方法，装置包括间隔预设距离的第一检测装置和第二检测装置，第一检测装置和第二检测装置之间存在粗定位的绝缘破损点，所述绝缘破损点位于轨道交通的第一走行轨条或第二走行轨条上，方法包括第一检测装置和第二检测装置对应的钢轨均不存在钢轨焊缝时的走行轨绝缘破损定位方法、以及第一检测装置或第二检测装置对应的钢轨存在钢轨焊缝时的走行轨绝缘破损定位方法。本发明的装置简单易用，能够对走行轨绝缘破损点进行准确定位。
-
公开(公告)号：CN118133118A
公开(公告)日：2024-06-04
申请号：CN202410255566.2
申请日：2024-03-06
Applicant: 苏州大学
IPC: G06F18/241 , G06F18/2415 , G06F18/2131 , G06F18/10 , G06N3/096 , G01M13/045
Abstract: 本发明涉及一种轴承故障类型检测方法和系统，方法包括：采集各种故障类型的轴承振动信号并构建故障诊断数据集，并划分为初始任务和增量任务，并确定初始任务和增量任务的轴承故障类别数；利用ResNet‑18网络根据初始任务的数据与对应的轴承故障类别提取故障特征，构建初始故障诊断模型；在增量任务的当前增量阶段中，除获取当前增量阶段对应轴承故障类别的数据外，还结合初始任务和之前增量阶段的所有轴承故障类别及其数据，得到新的故障诊断模型；在所述新的故障诊断模型的训练过程中不断进行优化；利用优化好的新的故障诊断模型对待检测的轴承振动信号进行故障诊断。本发明能够对轴承故障类型进行有效检测。
-
公开(公告)号：CN117010149A
公开(公告)日：2023-11-07
申请号：CN202310731266.2
申请日：2023-06-20
Applicant: 苏州大学
IPC: G06F30/20 , G06F30/17 , G06F119/14
Abstract: 本发明公开了一种考虑齿轮外部激励的高速深沟球轴承故障动力学建模方法，包括以下步骤：步骤1：首先使用一个考虑到相对滑移、柔性保持架和滚子独立自由度的动态高速深沟球轴承模型；步骤2：在高速轴承模型基础上，进一步考虑了齿轮外部激励的影响，建立考虑齿面点蚀等局部故障的直齿轮啮合副描述方法；步骤3：建立完备的齿轮箱动力学模型；在前两个步骤的基础上，引入齿轮啮合传动误差、驱动电机与制动器；步骤4：使用数值求解方法对微分方程组进行求解，得到系统的动态响应。本发明，可以更加全面的描述齿轮箱中各个部件的接触、润滑、故障情况等，得到更加准确的高速轴承故障特征，为故障诊断与特征提取提供更全面的理论依据。
-
公开(公告)号：CN115270956B
公开(公告)日：2023-10-27
申请号：CN202210879607.6
申请日：2022-07-25
Applicant: 苏州大学
IPC: G06F18/2433 , G06F18/2413 , G06F18/214 , G06F18/241 , G06N3/045 , G06N3/0464 , G06N3/082 , G01M13/04
Abstract: 本发明涉及一种基于持续学习的跨设备增量轴承故障诊断方法，包括构建跨设备增量轴承健康状态数据集，按设备划分不同阶段的诊断任务；使用第一个设备的诊断任务数据构建初始诊断模型，筛选典例；基于初始诊断模型引入神经元级微调和分类器得到诊断模型；将典例与下一个设备的轴承故障诊断任务数据共同训练诊断模型，使用损失函数缩小当前阶段的诊断模型与上一阶段的诊断模型在上一阶段诊断任务数据上表现的差异，筛选典例；重复步骤S104，使用当前的诊断模型诊断所有已学习任务的轴承故障，得到轴承故障诊断结果。本发明采用持续学习方法构建一个不断积累和复用知识的诊断模型，能解决灾难性遗忘问题，以适应跨设备增量轴承故障诊断的需求。
-
公开(公告)号：CN116756483A
公开(公告)日：2023-09-15
申请号：CN202310508808.X
申请日：2023-05-08
Applicant: 苏州大学
IPC: G06F18/00 , G06F18/10 , G06F18/25 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08 , G06F123/02
Abstract: 本发明涉及一种目标工况数据不可用下的机械故障诊断方法，包括将采集的机械振动时域信号进行截取，统一样本长度并进行幅值归一化，得到数据集，并划分为多源域数据集与目标域数据集；构建域间不变表示学习网络分支，提取域间不变特征；构建域内不变表示学习网络分支，提取域内不变特征；构建融合分类器，融合域间不变特征与域内不变特征后，预测其故障类别标签；构建包括域间不变表示学习网络分支、域内不变表示学习网络分支与融合分类器的故障诊断训练模型；输入多源域数据集中的样本，利用相互学策略、特征差异最大化策略、损失函数与优化算法进行模型训练，获取训练好的故障诊断训练模型；输入目标域数据集中的样本，获取样本的故障类别。
-
-
-
-
-
-
-
-
-
Search Results
143
records
(took 0.025 seconds)
