-
公开(公告)号：CN107416235A
公开(公告)日：2017-12-01
申请号：CN201710870756.5
申请日：2017-09-23
Applicant: 哈尔滨理工大学
IPC: B64G1/64
CPC classification number: B64G1/646
Abstract: 本发明公开了一种空间对接重复锁紧装置，它涉及锁紧装置技术领域；限位销安装在框体上进行限制锁钩位置，扭簧两端分别安装在框体和锁钩上，给锁钩施加一定预紧力，保证锁紧机构的从锁紧到打开状态时锁钩能够回位，锁钩安装在销轴B上，销轴B安装在框体上，销轴B通过平头螺钉A固定在框体上，同时销轴B两端分别安装套筒A和套筒B，限制锁钩轴向摆动；本发明能够通过两个对称锁钩与锁轴进行锁紧，其锁紧力大，能够保证连接强度，利用曲柄机构实现锁钩的位置自锁，防止锁紧时锁钩的跳动，可靠性高、连接刚度强可以实现重复锁紧。框体本身自带导向槽对被动端的锁轴具有导向定位的作用；保证限位滑块能够准确的到达指定位置对锁钩进行位置锁紧。
-
公开(公告)号：CN106127300A
公开(公告)日：2016-11-16
申请号：CN201610516848.9
申请日：2016-07-04
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种旋转机械健康状态的预测方法，该方法包括如下步骤：步骤一、采集并存储旋转机械的振动数据；步骤二、对采集的数据进行降噪重构；步骤三、提取指定时段的旋转机械振动数据，构建用来建立和测试预测模型的多维训练样本以及预测模型的输入；步骤四、建立基于受控Hadamard门的量子过程神经网络预测模型，采用改进的LM算法训练预测模型，测试并且存储预测模型；步骤五、使用预测模型预测旋转机械的振动趋势，并且用于旋转机械健康状态监控。本发明的方法能够提高旋转机械的使用效率，降低维护成本，实现计划维护和视情维修，消除噪声干扰，使模型具有更高的预测精度，从而避免安全隐患的发生。
-
公开(公告)号：CN105718961A
公开(公告)日：2016-06-29
申请号：CN201610085890.X
申请日：2016-02-15
Applicant: 哈尔滨理工大学
CPC classification number: G06K9/6256 , G06K9/00503 , G06K9/00523 , G06K9/00536 , G06K9/6269
Abstract: 本发明公开了一种基于CEEMD与图像纹理特征的旋转机械智能故障诊断方法，采集旋转机械不同故障状态或者程度下的故障振动信号；基于CEEMD结合小波阀值的降噪方法对采集到的故障振动信号进行降噪处理，然后将这些数据分为训练数据组与测试数据组；对训练数据组与测试数据组中的数据分别进行时频分析提取SPWVD时频分布图，并且从中择优组成故障特征集；采用训练数据组得到的故障特征集对SVM分类器参数进行寻优，使用最佳的参数值获得最优的SVM分类器，建立故障诊断模型；采用测试数据组作为故障诊断模型的输入值，进行故障诊断测试得到分类结果和精度。本发明在保持信号完整性的同时很好地完成了降噪处理，提取优越的故障特征，完成故障诊断过程。
-
公开(公告)号：CN105626777A
公开(公告)日：2016-06-01
申请号：CN201610100699.8
申请日：2016-02-24
Applicant: 哈尔滨理工大学
IPC: F16F15/30
Abstract: 本发明公开了一种同步飞轮组，包括左短轴、右短轴、侧轴承座、两个飞轮组件、中间轴承座和中间短轴，所述飞轮组件由两个飞轮盘构成，左短轴与左侧的飞轮组件相连接，左短轴上设有侧轴承座，右短轴与右侧的飞轮组件相连接，右短轴上设有侧轴承座；飞轮组件之间通过中间短轴相连接，中间短轴上设有两个中间轴承座，左短轴、右短轴和中间短轴均插入飞轮盘的中心轴孔内，本发明结构合理，有效的减少了后期维护成本，同时设备运行过程稳定，损耗更低。
-
公开(公告)号：CN115017955B
公开(公告)日：2025-04-01
申请号：CN202210703794.2
申请日：2022-06-21
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/10 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了基于半监督图卷积的行星齿轮箱故障诊断方法，本发明涉及旋转机械故障诊断方法领域，本发明为了解决现有的旋转机械故障诊断方法的准确率低的问题。本发明利用自编码器降噪网络对所述原始数据进行降噪处理；对降噪后的数据进行特征提取，得到特征矩阵，对所述特征矩阵进行降维处理；求取所述降维处理后的特征矩阵中各数据之间的无向图，将所述降维后矩阵和数据之间无向图输入半监督图卷积神经网络故障诊断模型中，得到诊断结果。本发明能够对行星齿轮箱故障进行准确诊断。
-
Patent Agency Ranking
公开(公告)号：CN114841208B
公开(公告)日：2024-11-01
申请号：CN202210525015.4
申请日：2022-05-14
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/10 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本发明公开了基于SAE与TCN‑Attention模型的滚动轴承性能衰退预测方法及装置，涉及机械性能衰退预测预测领域。本发明针对满足对所监测的滚动轴承性能变化趋势的需求的问题。本发明获取滚动轴承的原始振动信号数据，经降噪后进行特征提取，得到时域特征衰退指标和频域特征衰退指标；将所述时域特征衰退指标和频域特征衰退指标输入SAE模型中，得到融合后的特征指标；将融合后的特征指标输入TCN‑Attention模型中，得到滚动轴承性能衰退趋势，得到滚动轴承性能衰退趋势；本发明能够实现滚动轴承性能衰退的高精度预测。
-
公开(公告)号：CN116401950B
公开(公告)日：2024-03-01
申请号：CN202310379921.2
申请日：2023-04-11
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06F18/213 , G06F18/214 , G06F17/16 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06F119/02
Abstract: 本发明公开了一种基于时间图卷积神经网络的滚动轴承性能衰退预测方法，所述方法针对满足对所监测的滚动轴承性能变化趋势的需求问题，获取滚动轴承的原始振动信号数据，对原始振动信号进行特征提取，得到时域特征指标、频域特征指标和多尺度离散熵特征指标。将上述特征指标采用多个评估标准进行综合加权评价，得到评价结果最优的一项或一类特征指标。通过固定窗均值化处理将综合评价结果最优的一项特征指标曲线分解为趋势曲线和残差曲线，实现对滚动轴承性能衰退阶段划分。将评价结果最优的一类特征指标输入T‑GCN模型中，得到滚动轴承性能衰退趋势。本发明通过实验验证该预测方法对实现滚动轴承性能衰退预测具有更高的精度和泛化能力。
-
公开(公告)号：CN116662848A
公开(公告)日：2023-08-29
申请号：CN202310379908.7
申请日：2023-04-11
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/214 , G06N3/084 , G06N3/0464 , G06F18/10 , G06F18/22
Abstract: 本发明公开了一种基于WOA‑VMD与GAT的滚动轴承故障诊断方法，所述方法包括如下步骤：步骤一、通过WOA优化算法对VMD分解的参数模态个数k和惩罚参数α进行自适应确定，从而对原始信号进行VMD分解，再对分解后的信号采用Pearson相关性分析筛选出其中相关性大的IMF分量，以对信号进行重构，完成信号降噪；步骤二、将Attention与图卷积运算进行结合，构建图注意力神经网络滚动轴承故障诊断模型，对价值信息分配更多的比重，用以优化构建图的信息收集阶段，提高模型故障诊断准确率。通过实验验证表明，相比与MLP、Attention模型和GCN模型，其收敛速度更快，诊断精度更高，且损失值较低。
-
公开(公告)号：CN116358871A
公开(公告)日：2023-06-30
申请号：CN202310321870.8
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/241 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种图卷积网络的滚动轴承微弱信号复合故障诊断方法，所述方法采用多尺度熵的方法，将信号通过滑窗分段为N段，再将每段的时域信号进行精细复合多尺度熵特征提取，应用高斯核函数对不同形式的邻接矩阵定义不同的权值。为了实现图级别的故障诊断，使用具有图池化层和读出层的GCN来获得整个图的表示，获得图表示后，可以在此表示上执行标准机器学习技术。通过实验验证表明，与时域或者频域的节点构建方法相比，精细复合多尺度熵考虑了所有熵值的互相关来评估故障检测中的动态条件，边连接方式使得故障信息只会在相同类型故障节点之间进行传递更新，能够有效识别滚动轴承的复合故障类型，提高故障诊断的效率。
-
公开(公告)号：CN116223043A
公开(公告)日：2023-06-06
申请号：CN202310321868.0
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/10 , G06F18/213 , G06N3/006
Abstract: 基于VMD和级联随机共振联合的滚动轴承微弱信号检测方法，属于旋转机械故障诊断技术领域。通过获取滚动轴承的原始振动信号数据，经希尔伯特变换获得其S(t)包络谱，使信号通过高通滤波器，滤波后信号输入ACSRS进行增强。然后，采用量子粒子群算法对级联随机共振中的参数进行自适应寻优，对第一级级联随机共振系统的输出进行VMD分解，直至能量损失因子g以及相关性r满足条件，确定特征频率在IMF分量中的位置。最后根据提取到的特征信号，对增强后的信号进行分解与重构，实现多频微弱信号故障检测。本发明通过实验验证了该方法在减少VMD分解次数的基础上提高运算效率，使得重构后的滚动轴承微弱信号复合故障更易识别。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.025 seconds)
