-
公开(公告)号：CN108760294B
公开(公告)日：2020-09-29
申请号：CN201810607021.8
申请日：2018-06-13
Applicant: 苏州大学
IPC: G01M13/028 , G01M13/045
Abstract: 本发明涉及机械设备诊断技术领域，尤其涉及一种旋转机械设备自动诊断系统及方法。本发明具有成本低、稳定性好，安装使用方便、便于维护和精度高等优点，其能够在不同转速工况下实现旋转机械设备健康状态的自动诊断，同时诊断出具体的故障模式，有针对性的排查故障；其能够以更高精度展示设备动态信号中包含的时频联合域内的设备状态特征，使得诊断技术容易操作；旋转机械设备自动诊断系统及方法还具有远程监控旋转机械设备运行的能力，显著地减少检查费用并提高检查频率性。
-
公开(公告)号：CN111458122A
公开(公告)日：2020-07-28
申请号：CN202010271309.X
申请日：2020-04-08
Applicant: 苏州大学
IPC: G01M13/00
Abstract: 本发明提供了一种匹配增强时频表示的旋转机械故障诊断方法，属于变转速旋转机械故障诊断技术领域，该方法包括：引入调频率来匹配频率变化的信号的时频特征，利用正切函数约束调频率选取范围；扩展现有的线性变换基函数e-jωt，得到能同时增强多个时频分量的时频表示；计算对应不同时频图的峭度值，利用峭度最大准则自适应选择合适的参数，选出对应最大峭度的时频分布用于最后的时频表示；对经上一步得到的时频图上利用局部峰值搜索算法搜寻旋转机械的特征时频脊线；根据检测的时频脊线诊断旋转机械故障类型。本发明通过匹配信号中频率的变化特征来增强时频表示，可以得到更加精确的时频脊线估计，并最终完成旋转机械的故障诊断。
-
公开(公告)号：CN109668733A
公开(公告)日：2019-04-23
申请号：CN201811571587.6
申请日：2018-12-21
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明公开了一种变分非线性模式分解变转速轴承故障诊断方法。本发明一种变分非线性模式分解变转速轴承故障诊断方法，包括：利用振动信号传感器收集滚动轴承动态信号；从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振带，从而实现频带分离；采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。
-
公开(公告)号：CN118467995A
公开(公告)日：2024-08-09
申请号：CN202410373237.8
申请日：2024-03-29
Applicant: 苏州大学
IPC: G06F18/213 , G01M13/021 , G01M13/028 , G01M13/045 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于时变卷积核的机械关键部件故障特征增强方法及系统，涉及机械设备信号处理技术领域，该方法包括基于广义解调变换将变化的时频曲线解调至固定频率处，通过引入角度参数，参数化广义解调因子；将参数化的广义解调因子嵌入CNN网络中，设计时变卷积层，实现对角度参数的自适应学习更新；使用设计好的时变卷积层代替CNN网络中的第一层卷积层，构建神经网络故障诊断模型，利用构建好的神经网络故障诊断模型对采集到的变转速信号进行处理，增强转速相关故障特征。本发明方法无需依赖先验知识，可实现故障类型的有效、准确分类。
-
公开(公告)号：CN116756483B
公开(公告)日：2024-06-21
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。
-
Patent Agency Ranking
公开(公告)号：CN116337447A
公开(公告)日：2023-06-27
申请号：CN202211640727.7
申请日：2022-12-19
Applicant: 苏州大学
IPC: G01M13/045 , G01M17/10 , G06F18/213 , G06F18/24 , G06N3/084 , G06N3/0464
Abstract: 本发明涉及一种非平稳工况下轨道车辆轮对轴承故障诊断方法包括根据多种传感器采集的轨道车辆轮对轴承在不同非平稳工况下的多种信号获取样本数据；多通道融合得多传感器信息融合样本并进行自适应加权，生成目标多传感器信息融合数据，特征提取器提取目标多传感器信息融合数据在多传感器视角下的特征信息，存储至相对应的记忆库中；利用原型对比学习进行领域适配学习，获取域适应损失；利用源域数据集中提取的特征信息与半监督学习算法训练域共享类别分类器；利用域适应损失与半监督分类损失通过反向传播与梯度下降算法更新网络参数，获得目标网络；将数据集中没有类别标签的待测试样本数据输入至目标网络中，获取待测试样本数据的故障类别。
-
公开(公告)号：CN110555273B
公开(公告)日：2023-03-24
申请号：CN201910838978.8
申请日：2019-09-05
Applicant: 苏州大学
IPC: G06F30/17 , G06F30/27 , G06N3/088 , G06N7/01 , G06F119/04 , G06F111/08
Abstract: 本发明公开一种基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，包括步骤(1)采集滚动轴承的全寿命原始信号；并提取包含时域、时频域和三角函数特征的特征集合；(2)将特征集合输入隐马尔科夫模型预测隐状态，获取故障发生时刻；(3)将来自所有源域和部分目标域的特征集合组成训练集输入构建的多层感知机模型，通过优化目标训练获得域不变特征和最优模型参数，将最优模型参数代入感知机模型获得神经网络寿命预测模型；(4)将剩余的目标域特征集输入神经网络寿命预测模型，根据输出值预测轴承的剩余寿命。本发明利用隐马尔科夫模型自动检测出故障发生时刻，之后采用基于多层感知器的迁移学习来解决不同工况条件造成的源域和目标域的分布差异。
-
公开(公告)号：CN115659224A
公开(公告)日：2023-01-31
申请号：CN202211406175.3
申请日：2022-11-10
Applicant: 苏州大学
IPC: G06F18/24 , G06F18/214 , G06F18/15 , G06N3/047
Abstract: 本发明实施例提供了一种概率引导的域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练；构建第一阶段目标函数，实现鉴别器和特征生成器参数的更新；构建第二阶段目标函数，实现分类器参数的更新，神经网络模型训练完成；将目标域数据集输入训练好的神经网络模型，实现轴承故障诊断。本发明方法解决了轴承故障诊断网络特征分类能力不足的问题，轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
公开(公告)号：CN111458122B
公开(公告)日：2022-03-29
申请号：CN202010271309.X
申请日：2020-04-08
Applicant: 苏州大学
IPC: G01M13/00
Abstract: 本发明提供了一种匹配增强时频表示的旋转机械故障诊断方法，属于变转速旋转机械故障诊断技术领域，该方法包括：引入调频率来匹配频率变化的信号的时频特征，利用正切函数约束调频率选取范围；扩展现有的线性变换基函数e‑jωt，得到能同时增强多个时频分量的时频表示；计算对应不同时频图的峭度值，利用峭度最大准则自适应选择合适的参数，选出对应最大峭度的时频分布用于最后的时频表示；对经上一步得到的时频图上利用局部峰值搜索算法搜寻旋转机械的特征时频脊线；根据检测的时频脊线诊断旋转机械故障类型。本发明通过匹配信号中频率的变化特征来增强时频表示，可以得到更加精确的时频脊线估计，并最终完成旋转机械的故障诊断。
-
公开(公告)号：CN113935460A
公开(公告)日：2022-01-14
申请号：CN202111136682.5
申请日：2021-09-27
Applicant: 苏州大学
Abstract: 本发明类不平衡数据集下的机械故障智能诊断方法，包括：步骤(1)、数据预处理：把机械振动信号转换到频域，并把幅值归一化到[0,1]范围；步骤(2)、模型搭建：把自动编码器和生成对抗网络进行组合，搭建数据生成模型；步骤(3)、模型训练：利用故障数据按照预设的损失函数和优化算法训练所述数据生成模型；步骤(4)、数据生成：利用所述数据生成模型在训练中学习到的故障数据低维特征，通过多次插值、加噪后生成对应类的故障数据，实现各类数据平衡；步骤(5)、故障诊断：利用类平衡数据集训练预设的故障诊断模型，利用训练好的故障诊断模型对机械故障进行智能诊断。利用自动编码器、生成对抗网络的结合，实现机械故障诊断。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.021 seconds)
