-
公开(公告)号：CN102629243B
公开(公告)日：2015-01-07
申请号：CN201210053046.0
申请日：2012-03-02
Applicant: 燕山大学
Abstract: 本发明公开了一种基于神经网络集成和BS-EMD的端点效应抑制方法，包括以下步骤：A、利用速度传感器测量获取振动信号；B、采用神经网络集成对所述信号进行左延拓和右延拓；C、利用B样条均值函数得到所述信号的均值曲线；D、进行经验模式分解，抛弃两端数据，得到与原始信号相对应的若干IMF分量；E、分析各IMF分量，提取故障特征。本发明可以有效抑制端点效应，解决了端点效应对BS-EMD分解结果的影响。
-
公开(公告)号：CN116465631A
公开(公告)日：2023-07-21
申请号：CN202310459988.7
申请日：2023-04-26
Applicant: 燕山大学
IPC: G01M13/045 , G06F18/10 , G06N3/006 , G06F17/10
Abstract: 本发明公开了一种振动共振辅助增强随机共振耦合系统的轴承故障诊断方法，属于机械故障诊断技术领域，包括以下步骤：使用传感器采集滚动轴承振动信号，对采集到的滚动轴承振动信号进行希尔伯特包络解调处理，得到振动信号的幅值包络；构建匹配稳态随机共振系统，并与振动共振系统通过非线性耦合的方式组成耦合系统；将得到的幅值包络作为所构建耦合系统的输入信号，并采用优化算法实现系统多参数的优化选取；将得到的最优参数代入耦合系统，对幅值包络进行处理，通过对系统输出进行频谱分析，完成对滚动轴承故障的有效识别与诊断。本发明可以实现滚动轴承振动信号中微弱故障特征的有效提取，为滚动轴承早期微弱故障诊断提供了一种有效解决途径。
-
公开(公告)号：CN103245518A
公开(公告)日：2013-08-14
申请号：CN201310106416.7
申请日：2013-03-29
Applicant: 燕山大学
IPC: G01M99/00
Abstract: 本发明公开了一种基于微分局部均值分解(DLMD)的旋转机械故障诊断方法，其内容包括如下步骤：采用加速度传感器测试旋转机械设备，采集获得其振动信号；对获得的加速度振动信号，进行DLMD分解，得到若干PF分量和残余分量；求出各PF分量的瞬时频率和瞬时幅值，提取故障特征。本发明方法首先对采集到的信号进行k阶微分，然后对微分后的信号进行局部均值分解，对分解后的各个PF分量循环进行一次积分和一阶局部均值分解，直至循环k次得到m个PF分量和残余分量，基于微分局部均值分解的结果提取故障特征，能够有效抑制传统的局部均值分解过程中的虚假干扰频率，实现旋转机械故障诊断。
-
公开(公告)号：CN111222289B
公开(公告)日：2022-03-11
申请号：CN202010028291.0
申请日：2020-01-10
Applicant: 燕山大学
IPC: G06K9/00 , G06K9/62 , G01M13/045
Abstract: 基于数据‑模型驱动的K‑SVD的滚动轴承冲击性故障诊断方法，该方法先利用加速度传感器采集振动信号s，然后将信号分段得到最初的训练数据集D1；求D1中相邻原子的谱峭度差值，得到谱峭度差值最大的原子do；根据故障信号特点构建最优原子dop，由do得到模型中的参数，将dop直接扩充为最新的训练数据集；利用K‑SVD方法训练字典，并在原子更新过程中加入去相干步骤；利用正交匹配追踪算法得到重构后的冲击信号；对重构信号进行包络分析。本发根据冲击信号特点构造不含噪声的训练数据集，使得学习字典对信号有更佳的稀疏表示效果，重构信号包含更多特征信息，有助于实现滚动轴承冲击性故障诊断。
-
公开(公告)号：CN110647871A
公开(公告)日：2020-01-03
申请号：CN201911069740.X
申请日：2019-11-05
Applicant: 燕山大学
Abstract: 本发明公开了一种基于时域特量增强的滚动轴承故障诊断方法及系统。所述方法首先提取振动信号中的冲击信号；其次，去除冲击信号中幅值为0的数据并计算去0处理后冲击信号幅值的均值、整流平均值、方差、标准差、均方根，实现上述时域特征量的增强；最后，将增强后的时域特征量输入ELM分类器进行故障分类诊断。本发明方法旨在改善利用冲击信号的时域特征量进行滚动轴承故障诊断的过程中，因不同类型故障的冲击信号幅值相近导致的故障诊断精度较低的问题，采用本发明可有效提升此类故障的诊断成功率。
-
Patent Agency Ranking
公开(公告)号：CN103124245B
公开(公告)日：2016-08-10
申请号：CN201210583906.1
申请日：2012-12-26
Applicant: 燕山大学
IPC: H04L25/03
Abstract: 本发明公开了一种基于峭度的变步长自适应盲源分离方法，旨在通过峭度来判断算法的解与最优解的距离，在线地调整步长，通过不断优化分离矩阵达到自适应的目的，它具体内容包括以下步骤：1、对观测信号进行白化预处理；2、利用白化处理后的信号对分离矩阵W进行迭代；3、得到最优矩阵，实现源信号分离。本发明的有益效果在于：利用峭度的变化来控制步长；通过峭度来判断算法的解与最优解的距离，在线地调整步长，通过不断优化分离矩阵达到自适应的目的；解决了盲源分离过程中收敛速度与稳态误差之间的矛盾。
-
公开(公告)号：CN102866027B
公开(公告)日：2015-09-16
申请号：CN201210286639.1
申请日：2012-08-13
Applicant: 燕山大学
Abstract: 本发明公开了一种基于LMD和局域时频熵的旋转机械故障特征提取方法，其技术方案的要点是，它包括如下步骤：1.利用加速度传感器对旋转机械设备进行测量，获得振动加速度信号；2.对振动加速度信号进行LMD分解，得到若干PF分量，求出各分量的瞬时幅值和瞬时频率；3.做出时频谱图，划分时频平面，计算局域时频熵；4.用局域时频熵值作为特征量，结合实验来提取故障特征。本发明实现了基于LMD的旋转机械故障诊断系统的分析过程，研究不同状态下设备的振动信号在时频分布上能量分布的差异，将局域时频熵理论引入机械故障诊断，将不同状态下的振动信号经LMD变换后再进行局域时频熵计算，并以此作为特征量来判断设备是否存在故障。
-
公开(公告)号：CN103440226A
公开(公告)日：2013-12-11
申请号：CN201310256239.0
申请日：2013-06-26
Applicant: 燕山大学
Abstract: 本发明公开了一种基于HMM校正与神经网络延拓的EMD端点效应抑制方法，该方法包括以下步骤：A、利用传感器获得信号；B、利用神经网络延拓算法对信号端点内部分已知数据进行估计，计算估计误差，并对端点外数据进行预测；C、利用HMM算法对估计误差建立模型，利用模型的参数预测所用的延拓算法的延拓误差；D、利用预测误差数据对延拓数据进行校正获得最终延拓数据；E、对延拓后的信号进行经验模式分解，抛弃两端延拓数据，得到原信号的IMF分量；F、通过分析端点抑制后的IMF分量提取信号特征。本发明可以对神经网络延拓算法进行校正，降低数据延拓方法存在的误差，有效的抑制经验模式分解的端点效应。
-
公开(公告)号：CN102629243A
公开(公告)日：2012-08-08
申请号：CN201210053046.0
申请日：2012-03-02
Applicant: 燕山大学
Abstract: 本发明公开了一种基于神经网络集成和BS-EMD的端点效应抑制方法，包括以下步骤：A、利用速度传感器测量获取振动信号；B、采用神经网络集成对所述信号进行左延拓和右延拓；C、利用B样条均值函数得到所述信号的均值曲线；D、进行经验模式分解，抛弃两端数据，得到与原始信号相对应的若干IMF分量；E、分析各IMF分量，提取故障特征。本发明可以有效抑制端点效应，解决了端点效应对BS-EMD分解结果的影响。
-
公开(公告)号：CN102620928A
公开(公告)日：2012-08-01
申请号：CN201210053095.4
申请日：2012-03-02
Applicant: 燕山大学
IPC: G01M13/02
Abstract: 本发明公开了一种基于小波半软阈值和EMD的风电齿轮箱故障诊断方法，包括：A、利用加速度传感器对风电齿轮箱进行测量，获得振动加速度信号；B、对信号进行小波分解，采用小波半软阈值法进行消噪预处理，消除干扰噪声，得到降噪信号；C、对降噪信号进行EMD分解，得到各IMF分量；D、根据各IMF分量与原信号的相关系数，判断IMF分量的真伪，剔除IMF伪分量，对IMF真分量进行分析，选出含有故障特征的分量；E、获取含有故障特征分量的包络谱，从中提取故障特征。本发明采用小波半软阈值降噪与EMD方法相结合，是一种有效的故障特征信息提取方法。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.023 seconds)
