-
公开(公告)号：CN104155133B
公开(公告)日：2017-01-04
申请号：CN201410384028.X
申请日：2014-08-06
Applicant: 北京信息科技大学
IPC: G01M99/00
Abstract: 本发明涉及一种机械故障程度的评价方法，其步骤：(1)利用转子实验台模拟机械设备正常运行状态，采用振动信号；(2)利用转子实验台模拟机械设备故障的轻度故障程度、中度故障程度和重度故障程度，采集振动信号；(3)对所有振动信号进行双谱操作获得双谱值矩阵；(4)将双谱值矩阵定义为劣化演化矩阵；计算正常运行状态下的劣化演化矩阵以及故障下的劣化演化矩阵；计算机械设备正常运行状态下的均值最大值、方差最大值；(7)根据以上获得劣化区间划分图；(8)采集实际设备的振动信号得到劣化均值、劣化方差，将其绘制在劣化区间划分图中，根据坐标点所处的区域判断设备运行状态。(5)计算劣化演化矩阵的特征值、均值、方差；(6)
-
公开(公告)号：CN103473439B
公开(公告)日：2016-04-06
申请号：CN201310359750.3
申请日：2013-08-17
Applicant: 北京信息科技大学
IPC: G06F19/00
Abstract: 本发明涉及一种面向复杂机电设备低信噪比信息的早期故障预测方法，其步骤为：1）获取振动数据、声发射数据、切削力数据、噪声数据以及温度数据；2）利用层次聚类算法将连续相关数据分别进行离散化处理，得到N组离散数据；3）将离散化后的每组离散数据形成决策表DT，作为粗糙函数自适应方法的输入层Xi(t)；4）利用粗糙函数自适应方法对决策表DT进行预测分析，得到最优目标预测模型；5）根据得到的最优目标预测模型作为本时刻的精确预测模型，并通过监测设备显示下一时刻预测值，实现对复杂机电设备低信噪比信息的早期故障预测。本发明能够实现对低信噪比信息的早期故障预测，可广泛在复杂机电设备中应用。
-
公开(公告)号：CN104992063A
公开(公告)日：2015-10-21
申请号：CN201510390477.X
申请日：2015-07-06
Applicant: 北京信息科技大学
IPC: G06F19/00
Abstract: 本发明涉及一种机械设备振动信号的降噪方法，其包括步骤：对非平稳振动信号进行局部均值分解；根据局部均值分解后得到的PF分量，计算各PF分量与非平稳振动信号的互相关系数，将互相关系数与预先设定数值进行比较，并将互相关系数小于预先设定数值的各PF分量进行叠加重构，得到虚拟噪声通道信号；该虚拟噪声通道信号作为FastICA算法的输入信号；根据FastICA算法将振动信号与虚拟噪声通道信号进行盲源分离，得到振动信号源信号和噪声信号，实现对振动信号的降噪处理。本发明能有效降低振动信号中噪声干扰，使故障特征频率更加明显，进而有利于故障特征的提取，可以广泛在机械设备故障诊断领域中应用。
-
公开(公告)号：CN103473439A
公开(公告)日：2013-12-25
申请号：CN201310359750.3
申请日：2013-08-17
Applicant: 北京信息科技大学
IPC: G06F19/00
Abstract: 本发明涉及一种面向复杂机电设备低信噪比信息的早期故障预测方法，其步骤为：1）获取振动数据、声发射数据、切削力数据、噪声数据以及温度数据；2）利用层次聚类算法将连续相关数据分别进行离散化处理，得到N组离散数据；3）将离散化后的每组离散数据形成决策表DT，作为粗糙函数自适应方法的输入层Xi(t)；4）利用粗糙函数自适应方法对决策表DT进行预测分析，得到最优目标预测模型；5）根据得到的最优目标预测模型作为本时刻的精确预测模型，并通过监测设备显示下一时刻预测值，实现对复杂机电设备低信噪比信息的早期故障预测。本发明能够实现对低信噪比信息的早期故障预测，可广泛在复杂机电设备中应用。
-
公开(公告)号：CN113935371A
公开(公告)日：2022-01-14
申请号：CN202111118518.1
申请日：2021-09-23
Applicant: 北京信息科技大学
IPC: G06K9/00 , G06N3/00 , G01M13/021 , G01M13/028
Abstract: 本发明涉及一种1.5维谱活跃频率的行星齿轮箱故障诊断方法及系统，其包括：采集行星齿轮箱原始振动信号，将所述原始振动信号分解为多个模态分量；将所述模态分量进行重构得到重构信号；对所述重构信号进行1.5维谱活跃频率分析提取故障特征频率，实现对行星齿轮箱的故障诊断。本发明能对行星齿轮箱故障特征频率进行准确提取，进而实现对行星齿轮箱的故障诊断。本发明能广泛在旋转机械故障诊断技术领域中应用。
-
Patent Agency Ranking
公开(公告)号：CN112051064A
公开(公告)日：2020-12-08
申请号：CN202010929716.5
申请日：2020-09-07
Applicant: 北京信息科技大学
IPC: G01M13/045 , G06K9/00
Abstract: 本发明涉及一种旋转机械设备故障特征频率提取方法及系统，其包括：通过带通滤波器将采集到的旋转机械的振动信号划分为多个故障频带数据；采用Teager能量算子对不同故障频带的振动信号进行瞬态能量追踪，去掉能量数值低于平均能量值的故障频带数据，保留能量数值高于平均能量值的故障频带数据；利用改进自相关方法对保留的故障频带进行筛选，选取最优故障频带；对最优故障频带进行平方包络谱分析，提取故障特征频率，实现故障诊断。本发明能实现轴承故障特征频率的准确提取，进而对轴承的故障进行研究和分析。
-
公开(公告)号：CN108896296A
公开(公告)日：2018-11-27
申请号：CN201810351068.2
申请日：2018-04-18
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种基于卷积神经网络的风电齿轮箱故障诊断方法，其步骤：采集各种故障类型下的状态振动信号，并进行时频变换获取振动时频图，建立风电机组齿轮箱故障样本库；随机选取训练样本建立卷积神经网络模型；调整每类故障样本图像像素，作为训练样本输入卷积神经网络，进行迭代训练并优化训练全局参数使卷积神经网络输出softmax损失函数值下降并收敛，得到训练好的卷积神经网络；再次采集风电机组齿轮箱故障振动信号作为待诊断样本，将待诊断样本进行时频变换生成时频图，并调整像素，输入训练好的卷积神经网络进行识别分类，输出故障样本属于各类故障的概率值，将最大概率值对应的故障类别作为该待诊断样本的故障类型。
-
公开(公告)号：CN104897277B
公开(公告)日：2018-05-11
申请号：CN201510295830.6
申请日：2015-06-02
Applicant: 北京信息科技大学
IPC: G01H17/00
Abstract: 本发明涉及一种基于双谱熵的风力发电机组故障诊断方法，其步骤：采集风力发电机组在正常运行状态、轻度故障、中度故障以及重度故障下的振动信号；计算所有振动信号的故障特征带；建立故障疏离度检测模型；采集待检测风力发电机组的振动信号，将待检测振动信号进行故障特征带计算，得到的故障特征输入故障疏离度检测模型中，计算该故障状态与四类故障状态的故障疏离度,得到的最小疏离度即为该风机的故障状态。本发明能有效提取非平稳信号的故障特征，并进行风力发电机组的故障诊断，提高故障诊断的精度，可以广泛在风电机组设备故障诊断中应用。
-
公开(公告)号：CN104156591B
公开(公告)日：2017-02-15
申请号：CN201410384078.8
申请日：2014-08-06
Applicant: 北京信息科技大学
IPC: G06F19/00
Abstract: 本发明涉及一种马尔可夫故障趋势预测方法，其步骤：(1)用转子实验台模拟旋转机械设备正常运行状态，采集正常运行状态下振动信号；故障程度、中度故障程度和重度故障程度，采集三种故障下振动信号；(3)计算所有振动信号中每组振动信号的1.5维谱；(4)计算振动信号的1.5维谱频带能量均值；(5)获得频带能量区间，并标记状态序列和状态空间；(6)采集实际旋转机械设备的振动信号，进行步骤(3)～(4)得到各组振动信号的1.5维谱频带能量均值，并获得实际旋转机械设备的状态序列；(7)利用马尔可夫链对实际旋转机械设备的状态进行趋势预测。本发明能广泛在旋转机械故障趋势预测中应用。(2)用转子实验台模拟旋转机械设备故障的轻度
-
公开(公告)号：CN104155134A
公开(公告)日：2014-11-19
申请号：CN201410384189.9
申请日：2014-08-06
Applicant: 北京信息科技大学
IPC: G01M99/00
Abstract: 本发明涉及一种高阶累积量特征提取方法适用性的判断方法，其包括以下步骤：(1)采用转子实验台模拟机械设备正常运行状态，采集转子实验台在正常运行状态下的振动信号；(2)利用转子实验台模拟机械设备在某一种故障下的轻度故障程度、中度故障程度和重度故障程度三种故障程度，并采集转子实验台在三种故障程度下的振动信号；(3)计算所有振动信号中每组振动信号1.5维谱；(4)判断1.5维谱特征提取方法对于机械设备故障劣化是否具有敏感性和趋势性，同时满足敏感性和趋势性的特征提取方法适用于该故障的机械设备故障趋势预测。本发明能准确的判断出1.5维谱特征提取方法适用于哪种故障类型，可以广泛在机械设备故障趋势预测中应用。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.028 seconds)
