-
公开(公告)号：CN110740407B
公开(公告)日：2020-11-24
申请号：CN201911014725.5
申请日：2019-10-24
Applicant: 安徽大学
IPC: H04R3/04
Abstract: 本发明公开了一种基于双麦克风的列车轴承轨边声学信号主动降噪方法，在铁轨旁放置两个麦克风，主麦克风正对轮对轴承，参考麦克风正对轮轨接触处，且两麦克风在同一垂线上，双麦克风同步采集轮对轴承发出的声音、轮轨接触噪声和背景噪声。然后对参考麦克风采集到的信号进行反调制与再调制处理，使得两麦克风采集到的噪声信号的多普勒畸变规律一致。最后运用最小均方算法完成列车轴承轨边声学信号的主动降噪。本发明采用双麦克风实现列车轴承轨边声学信号的去噪，具有使用麦克风数量较少、可消除带内噪声、自适应主动降噪的优点，能够有效提高列车轴承轨边声学信号的信噪比。本发明可用于列车轴承轨边声学故障诊断。
-
公开(公告)号：CN109406147B
公开(公告)日：2020-11-13
申请号：CN201811270155.1
申请日：2018-10-29
Applicant: 安徽大学
IPC: G01M13/045 , G01M17/08
Abstract: 本发明公开了一种变速工况下的列车轴承轨边声学诊断方法，包括:1)通过安装在铁轨两侧的麦克风采集列车在不同车速通过时列车轴承发出的声学信号并对其进行预处理；2)提取峰值因子、方差等7个特征并和车速Vs一起制作成具有8个特征量的历史样本集；3)利用历史样本集训练得到4层BP神经网络；4)采集当前列车轴承发出的轨边声学信号和列车车速，通过步骤3)的BP神经网络进行故障诊断。本发明消除了列车变速工况下多普勒声学信号畸变对故障特征的影响，实现了在变速工况下列车轴承故障的精准辨识；只需测量车速值，所需传感器数量更少；实现“不矫正前提下的精确诊断”，计算量更少；充分利用历史数据信息，诊断结果可靠性得到有效提升。
-
公开(公告)号：CN110779723A
公开(公告)日：2020-02-11
申请号：CN201911177867.3
申请日：2019-11-26
Applicant: 安徽大学
IPC: G01M13/04
Abstract: 本发明公开了一种基于霍尔信号的变速工况电机轴承精确故障诊断方法，包括：1)对霍尔传感器采集到的电机转速信号进行多项式拟合，得到粗略估计的转速函数；2)将第一步得到的转速函数的多项式系数在一定范围内进行寻优，寻优时运用多项式确定的转速函数对故障信号进行等角度采样，并以得到的等角度采样信号的频谱峭度为优化指标；3)由步骤2)得到的最优估计转速函数对故障信号进行等角度采样，并通过包络谱分析得到诊断结论。本方法适用于已安装霍尔传感器的或者不便安装编码器但可安装霍尔传感器的电机的轴承的变转速故障诊断，与传统方法相比抗噪能力更好，同时无需额外安装编码器即可实现精确的故障诊断。
-
公开(公告)号：CN109738212A
公开(公告)日：2019-05-10
申请号：CN201910069470.6
申请日：2019-01-24
Applicant: 安徽大学
IPC: G01M17/08 , G01M13/045
Abstract: 本发明公开了一种以频谱峭度为优化指标的自适应多普勒矫正方法，可应用于高速列车轴承轨边声学检测领域，具体来说是一种以重采样信号的频谱峭度指标为优化指标，通过寻优计算自动识别多普勒矫正所需要的以下参数：列车运行速度v、麦克风到轴承声源运动轨迹所在直线之间的纵向垂直距离r、信号零时刻轴承声源距离麦克风的横向距离x，基于以上自动识别的参数可以实现轨边信号自适应多普勒畸变矫正。本发明提出的自适应多普勒矫正方法除麦克风之外不需要任何外部转感器，与传统的基于时频分析的参数提取方法相比在抗噪能力方面更有优势，同时计算效率也得到了提高，可用于高速列车轴承轨边声学在线检测。
-
公开(公告)号：CN115017826B
公开(公告)日：2023-08-25
申请号：CN202210762260.7
申请日：2022-06-30
IPC: G06F30/27 , G06F119/02
Abstract: 本发明涉及一种装备剩余使用寿命预测方法，包括：1)无需先验的特征工程，直接对原始多源传感器数据进行简单预处理后生成训练集和测试集；2)搭建深度学习预测模型，包括基于局部特征交互机制的特征矫正子网络、基于全局信息补偿机制的表示学习子网络和估计器子网络；3)将训练集数据输入预测模型对模型进行训练，根据均方根误差(RMSE)和得分函数(Score)两个指标判断模型的有效性，并得到训练好的预测模型；4)将测试装备的运行数据输入训练好的模型中，以进行装备的实时剩余使用寿命预测。本发明有效提高关键装备剩余使用寿命的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN116089822B
公开(公告)日：2023-07-28
申请号：CN202310166396.6
申请日：2023-02-27
IPC: G06F18/213 , G06F18/15 , G06F18/214 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06F123/02
Abstract: 本发明适用于设备故障预测和人工智能领域，提供了一种基于时空注意力网络的设备RUL预测方法及系统，所述方法包括以下步骤：将从设备获取的多源传感器数据进行预处理，使各源传感器数据具有相同的数据量级；通过已训练的深度学习预测模型对预处理后的传感器数据进行加权和编码；挖掘加权和编码后的各所述传感器数据中的隐藏特征；对加权后的所述传感器数据进行补全，并对其中的隐藏特征进行加权和解码；对解码后的隐藏特征进行映射，输出设备RUL的预测结果。本发明解决了多传感器数据输入中重要信息不突出的问题，能够减少检测信号中的干扰；且只需要原始数据输入即可得到预测结果，无需额外的特征工程，计算过程简单，预测精度很高。
-
公开(公告)号：CN116183231A
公开(公告)日：2023-05-30
申请号：CN202310472921.7
申请日：2023-04-28
Applicant: 安徽大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于数字孪生的轴承故障诊断方法，解决了工业设备轴承缺乏历史故障数据，无法进行通过历史数据信息进行故障诊断的问题；通过构建滚动轴承数字孪生体，在数字孪生体中进行多工况的仿真试验，模拟实际运行中难以获得的故障数据，从而实现实时监控和预测性维护，以及发现设计时未考虑到的潜在问题；通过实时更新数字孪生体的参数，得到了高保真的振动信号，实现了在变速工况下轴承故障宽度的精准辨识。
-
公开(公告)号：CN109738212B
公开(公告)日：2020-11-06
申请号：CN201910069470.6
申请日：2019-01-24
Applicant: 安徽大学
IPC: G01M17/08 , G01M13/045
Abstract: 本发明公开了一种以频谱峭度为优化指标的自适应多普勒矫正方法，可应用于高速列车轴承轨边声学检测领域，具体来说是一种以重采样信号的频谱峭度指标为优化指标，通过寻优计算自动识别多普勒矫正所需要的以下参数：列车运行速度v、麦克风到轴承声源运动轨迹所在直线之间的纵向垂直距离r、信号零时刻轴承声源距离麦克风的横向距离x，基于以上自动识别的参数可以实现轨边信号自适应多普勒畸变矫正。本发明提出的自适应多普勒矫正方法除麦克风之外不需要任何外部转感器，与传统的基于时频分析的参数提取方法相比在抗噪能力方面更有优势，同时计算效率也得到了提高，可用于高速列车轴承轨边声学在线检测。
-
公开(公告)号：CN117909668A
公开(公告)日：2024-04-19
申请号：CN202410312932.3
申请日：2024-03-19
Applicant: 安徽大学
IPC: G06F18/15 , G06F18/2131 , G06F18/21 , G06F18/241 , G06F18/2433 , G06F18/25 , G06N3/0464 , G01M13/045
Abstract: 本发明适用于旋转机械设备关键部件轴承智能故障诊断领域，提供了一种基于卷积神经网络的轴承故障诊断方法及系统，所述方法包括以下步骤：将从旋转机械设备获取的多故障状态振动信号进行预处理，检测并去除异常突变信号；基于多小波感知核进行特征提取和融合，即对信号进行分解、特征指标计算、相应频段特征指标整合和融合特征空间构建；对融合特征空间划分，并通过已训练的轴承故障诊断模型对特征空间进行深度特征校准和挖掘；对校准后的深度特征进行故障识别，输出轴承诊断结果。本发明解决了强背景噪声下诊断模型故障特征识别率差的问题，降低噪声影响，提高诊断精度。
-
公开(公告)号：CN116663386A
公开(公告)日：2023-08-29
申请号：CN202310293005.7
申请日：2023-03-22
IPC: G06F30/27 , G06F18/15 , G06F18/214 , G06F18/21 , G06N3/0442 , G06N3/084 , G06F119/02 , G06F119/04
Abstract: 本发明适用于设备故障预测和人工智能领域，提供了一种基于LSTM网络的设备剩余寿命预测方法及系统，所述方法包括以下步骤：获取设备的多元监测数据，并对所述监测数据进行数据预处理，以生成训练数据集和测试数据集；搭建基于LSTM网络的多时间步退化特征强化网络的深度学习预测模型；将所述训练数据集输入深度学习预测模型训练，并根据预设规则判断训练有效性；将所述测试数据集输入训练好的深度学习预测模型，输出设备剩余寿命的预测结果。本发明解决了多元监测数据输入中重要信息不突出的问题，能够减少检测信号中的干扰；且只需要原始数据输入即可得到预测结果，无需额外的特征工程，预测精度很高。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.02 seconds)
