-
公开(公告)号：CN105911474B
公开(公告)日：2018-12-28
申请号：CN201610224993.X
申请日：2016-04-12
Applicant: 北京航空航天大学
IPC: G01R31/36
Abstract: 本发明提出了一种基于几何特征提取方法和马氏距离相结合的质子交换膜燃料电池健康状态评估方法。该方法包括步骤为：首先，从原始的监测数据，包括电化学阻抗谱和极化曲线数据中提取相应运行状态下的几何特征；其次，计算某一运行状态下的几何特征和初始状态下的几何特征的马氏距离；最后，把所得的马氏距离结果进行归一化，得到不同状态下的质子交换膜燃料电池的健康状态。质子交换膜燃料电池是一种很有发展前途的能源装置，所以在质子交换膜燃料电池应用过程中对其进行健康状态评估研究是十分有意义的。采用真实数据验证本发明提出的方法，结果验证了该方法的有效性。
-
公开(公告)号：CN106289777B
公开(公告)日：2018-09-21
申请号：CN201610620943.3
申请日：2016-08-01
Applicant: 北京航空航天大学
IPC: G01M13/04
Abstract: 本发明涉及一种基于几何度量的多工况下滚动轴承性能评估的方法，首先将不同工况下不同故障程度的滚动轴承振动信号转换成为递归图，然后利用尺度不变特征变换方法提取所转换递归图的稳定的几何特征，通过将轴承信号所提取的几何特征进行奇异值分解获取不同工况下不同故障程度的滚动轴承的特征曲线，然后利用动态时间规整计算不同特征曲线的相似度，从而计算出该滚动轴承的健康度。利用美国西储大学轴承数据进行案例验证，实验结果表明本发明可以有效地评估多工况下滚动轴承的健康度。
-
公开(公告)号：CN105971901B
公开(公告)日：2018-03-02
申请号：CN201610286142.8
申请日：2016-05-03
Applicant: 北京航空航天大学
IPC: F04D15/00
Abstract: 本发明公开了一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法，该方法包括：(1)利用CEEMD将传感器所获得的离心泵振动信号分解成一系列IMF分类；(2)将IMF分类的样本熵作为信号的特征向量；(3)将CEEMD‑样本熵所得的特征向量作为随机森林分类器的输入进行故障诊断。本发明将CEEMD与样本熵用于离心泵振动信号的特征提取，一方面尽可能的避免了EMD分解出现的模态混叠及端点效应等现象，另一方面，特征提取较为方便简洁，计算量小，并对数据长度及噪声不敏感，因而适用性强。本发明将随机森林分类器用于离心泵的故障模式识别，避免了传统分类器过于依赖训练样本而出现过拟合的现象。尽可能的提高了分类准确率。
-
公开(公告)号：CN107643181A
公开(公告)日：2018-01-30
申请号：CN201610581598.7
申请日：2016-07-21
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于图像识别的滚动轴承变工况故障诊断方法，其包括：采用递归图技术将滚动轴承振动信号转换为二维图像；通过用SIFT算法从所述二维图像提取特征，得到多维故障特征向量；通过用KPCA方法对所述多维故障特征向量进行降维处理，得到约减后特征矩阵，并通过提取约减后特征矩阵的奇异值构建最终特征向量；通过用经过训练的PNN神经网络对所述最终特征向量进行故障分类。本发明采用凯斯西储大学的轴承试验数据进行案例验证，试验结果表明本发明所提出的方法是十分有效的。
-
公开(公告)号：CN106980822A
公开(公告)日：2017-07-25
申请号：CN201710148872.6
申请日：2017-03-14
Applicant: 北京航空航天大学
CPC classification number: G06K9/00536 , G06F17/148 , G06K9/00523 , G06K9/6256 , G06N3/084
Abstract: 本发明公开了一种基于选择性集成学习的旋转机械故障诊断方法，包括：对已知输入信号进行预处理，得到训练序列；利用Bagging算法对所述训练序列进行处理，生成一系列差异化的基学习机；通过选择性集成学习，对所述一系列差异化的基学习机进行优选，得到训练好的PSOSEN模型；利用训练好的PSOSEN模型进行旋转机械故障诊断。本发明解决了现有技术中存在的难于从一系列分类器中选出性能较好的分类器的难题。
-
Patent Agency Ranking
公开(公告)号：CN106951669A
公开(公告)日：2017-07-14
申请号：CN201710356365.1
申请日：2017-05-19
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于视觉认知的滚动轴承变工况故障诊断方法，涉及滚动轴承变工况故障诊断技术，所述方法包括：采用递归图技术将变工况下的滚动轴承振动信号转换为二维图像；利用加速鲁棒特征SURF算法，对所述二维图像进行特征提取，得到具有视觉不变性的高维故障特征向量；利用等距映射Isomap算法，对所述高维故障特征向量进行降维处理，得到低维稳定特征向量；利用奇异值分解SVD算法，提取所述低维稳定特征向量所构建特征矩阵的奇异值，形成最终特征向量；利用已训练的分类器，对所述最终特征向量进行故障分类，对变工况下的滚动轴承进行故障诊断。本发明为滚动轴承故障诊断提供了一种新的解决思路。
-
公开(公告)号：CN104778337B
公开(公告)日：2017-03-22
申请号：CN201510217102.3
申请日：2015-04-30
Applicant: 北京航空航天大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法，首先，利用函数型主成分分析(functional principal component analysis,FPCA)构建锂电池非参数退化模型，基于此退化模型对锂电池剩余寿命进行预测，并分析了不同数量的建模数据对预测精度的影响。为了实现锂电池退化模型的实时更新，本发明提出了经验贝叶斯方法。通过贝叶斯方法对锂电池退化模型进行实时修正，可以得到更精确的锂电池退化模型。在此基础之上，本发明采用参数bootstrap方法计算锂电池剩余寿命分布，并计算其置信区间。
-
公开(公告)号：CN104914851A
公开(公告)日：2015-09-16
申请号：CN201510262962.9
申请日：2015-05-21
Applicant: 北京航空航天大学
IPC: G05B23/02
CPC classification number: G05B23/0245 , G05B23/0256
Abstract: 本发明公开了一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，基于稀疏Dropout自动编码器与降噪自动编码器和Logistic回归的深度学习进行飞机旋转作动器驱动装置的自适应故障检测，采用基于多层神经网络的深度学习自主认知方法，通过在第一层使用稀疏Dropout自动编码器和第二、三层的层叠降噪自动编码器模型实现了原始数据的特征自学习，并将学习获得的数据特征输入至Logistic回归模型判断旋转作动器驱动装置的工作状态，通过加入自适应阈值故障观测器，使阈值随着系统的不同输入和系统的不同状态而发生变化，剔除非故障引起的残差。本发明能有效地应用于飞机旋转作动器驱动装置的故障诊断。
-
公开(公告)号：CN104778337A
公开(公告)日：2015-07-15
申请号：CN201510217102.3
申请日：2015-04-30
Applicant: 北京航空航天大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法，首先，利用函数型主成分分析(functional principal component analysis,FPCA)构建锂电池非参数退化模型，基于此退化模型对锂电池剩余寿命进行预测，并分析了不同数量的建模数据对预测精度的影响。为了实现锂电池退化模型的实时更新，本发明提出了经验贝叶斯方法。通过贝叶斯方法对锂电池退化模型进行实时修正，可以得到更精确的锂电池退化模型。在此基础之上，本发明采用参数bootstrap方法计算锂电池剩余寿命分布，并计算其置信区间。
-
公开(公告)号：CN106980822B
公开(公告)日：2019-04-05
申请号：CN201710148872.6
申请日：2017-03-14
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于选择性集成学习的旋转机械故障诊断方法，包括：对已知输入信号进行预处理，得到训练序列；利用Bagging算法对所述训练序列进行处理，生成一系列差异化的基学习机；通过选择性集成学习，对所述一系列差异化的基学习机进行优选，得到训练好的PSOSEN模型；利用训练好的PSOSEN模型进行旋转机械故障诊断。本发明解决了现有技术中存在的难于从一系列分类器中选出性能较好的分类器的难题。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.031 seconds)
