-
公开(公告)号：CN113358356A
公开(公告)日：2021-09-07
申请号：CN202110631601.2
申请日：2021-06-07
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明公开了一种高速列车轮对轴承微弱故障诊断方法及系统，包括以下步骤：S1：利用高速列车轮对轴承信号特征频率更新趋势构建频谱特征信息扫描器，获取信号中潜在特征成分的边界参数；S2：根据获取到的边界参数构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量；S3：建立融合故障敏感指数，通过计算模式分量对应的故障敏感指数定位故障特征成分；S4：对故障特征成分执行包络分析获得包络谱，根据包络谱检测微弱故障特征，完成高速列车轮对轴承微弱故障诊断。本发明解决现有自适应信号分解方法在轮对轴承信号分解中带来的问题，实现高速列车轮对轴承微弱故障诊断。
-
公开(公告)号：CN112629863A
公开(公告)日：2021-04-09
申请号：CN202011632478.8
申请日：2020-12-31
Applicant: 苏州大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种变工况下动态联合分布对齐网络的轴承故障诊断方法，包括以下步骤：采集不同工况下的轴承振动数据，获得源域样本和目标域样本；构建动态联合分布对齐的深度卷积神经网络模型；将源域样本和目标域样本同时送入参数初始化的深度卷积神经网络模型，特征提取器提取源域样本和目标域样本的高层次特征；计算边缘分布距离和条件分布距离；根据边缘分布距离和条件分布距离获得联合分布距离，将联合分布距离与标签损失结合以获得目标函数；利用随机梯度下降法对目标函数进行优化，训练深度卷积神经网络模型。其能够降低域漂移的影响，使得深度学习模型能够很好完成变工况下的故障诊断任务，速度快，运算量小。
-
公开(公告)号：CN112484998A
公开(公告)日：2021-03-12
申请号：CN202011281606.9
申请日：2020-11-16
Applicant: 苏州大学文正学院
IPC: G01M13/04 , G01M13/045 , G06F17/16
Abstract: 本发明公开了一种基于同步模态谱的风电机组轴承故障诊断方法，其包括：采集风电机组振动数据；基于所述风电机组振动数据构建同步模式谱；通过轴旋转频率与故障特征的瞬时频率之间的关系计算得到故障特征的理论阶次值；将所述同步模式谱中检测到的故障相关特征阶次与所述理论阶次值进行对比，对所述风电机组轴承进行故障诊断。本发明通过构建同步模态谱，仅仅只需要优化得到转速信息，识别其它特征成分是不要迭代优化。同步模态谱相比于现有阶次分析方法增强了对风电机组振动信号中蕴含轴承特征的提取能力。构建同步模态谱中嵌入了优化后的带宽参数，保证了提取特征成分带宽的合理性，显著提升同步模态谱对风电机组轴承故障特征的揭示能力。
-
公开(公告)号：CN111829782A
公开(公告)日：2020-10-27
申请号：CN202010688208.2
申请日：2020-07-16
Applicant: 苏州大学
IPC: G01M13/045 , G06K9/62 , G06N20/10
Abstract: 本发明公开了一种基于自适应流形嵌入动态分布对齐的故障诊断方法，本方法通过自动计算最优的子空间维数，并计算测地线流式核和变换后的流形特征表示，可以有效地避免数据在原始欧式空间的特征扭曲。引入相似度度量A-distance定义一个自适应因子，动态调整样本数据条件分布和边缘分布的相对权重，有效地缩小了源域和目标域样本的分布差异，极大提高了变工况下滚动轴承故障诊断的准确性和有效性，该方法可解释性强，对计算机硬件资源的要求较低，执行速度更快，同时具备出色的诊断精确度、算法收敛性和参数鲁棒性。该方法尤其适用于变工况下多场景、多故障的轴承故障诊断，可广泛地应用于机械、电力、化工、航空等复杂系统的多变工况下的故障诊断任务。
-
公开(公告)号：CN111274754A
公开(公告)日：2020-06-12
申请号：CN202010148818.3
申请日：2020-03-05
Applicant: 苏州大学
IPC: G06F30/367 , G06F111/10
Abstract: 本发明涉及一种轨道绝缘非均匀情况下轨道交通供电参数计算方法及系统，包括确定回流系统的划分切面，将回流系统分割为多个区段；根据不同的区段和切面建立回流系统的等效模型；将所述等效模型添加到轨道交通供电系统中形成全模型，计算所述全模型的供电参数。本发明有利于保证供电参数计算的快速性、精确性。
-
Patent Agency Ranking
公开(公告)号：CN110243605B
公开(公告)日：2020-04-10
申请号：CN201910674416.4
申请日：2019-07-25
Applicant: 苏州大学
IPC: G01M13/045 , G06K9/00
Abstract: 本发明公开了一种基于快速路径最优搜索和动态基角度的多源时频脊线提取方法。本发明提供了一种基于快速路径最优搜索和动态基角度的多源时频脊线提取方法，包括：步骤1：短时傅里叶变换及频带的选择。对振动信号中采用短时傅里叶分析，将轴承信号分为低频段和共振频带。本发明的有益效果：1、该发明首先应用快速路径最优搜索策略，得到连续和准确的瞬时频率脊线，然后在得到的脊线的基础上，计算对应时刻点的切角，得到频率与目标信号频率相匹配的基函数，适用于处理变转速非平稳状态下的滚动轴承振动信号。
-
公开(公告)号：CN110243605A
公开(公告)日：2019-09-17
申请号：CN201910674416.4
申请日：2019-07-25
Applicant: 苏州大学
IPC: G01M13/045 , G06K9/00
Abstract: 本发明公开了一种基于快速路径最优搜索和动态基角度的多源时频脊线提取方法。本发明提供了一种基于快速路径最优搜索和动态基角度的多源时频脊线提取方法，包括：步骤1：短时傅里叶变换及频带的选择。对振动信号中采用短时傅里叶分析，将轴承信号分为低频段和共振频带。本发明的有益效果：1、该发明首先应用快速路径最优搜索策略，得到连续和准确的瞬时频率脊线，然后在得到的脊线的基础上，计算对应时刻点的切角，得到频率与目标信号频率相匹配的基函数，适用于处理变转速非平稳状态下的滚动轴承振动信号。
-
公开(公告)号：CN106895975B
公开(公告)日：2019-03-15
申请号：CN201710030372.2
申请日：2017-01-17
Applicant: 苏州大学
IPC: G01M13/045 , G06N3/08
Abstract: 本发明涉及一种基于Stacked SAE深度神经网络的轴承故障诊断方法，网络的第一层用于轴承故障的定性判断，即判断故障类型，网络的第二层用于轴承故障的定量判断，即判断故障的严重程度。本发明结合经验模态分解(EMD)和自回归(AR)模型作为原始轴承信号的预处理，提取AR模型参数作为网络的输入，大大降低网络的输入维度，有利于简化计算，加快网络的训练以及测试。此外，本发明所基于的深度神经网络能对输入进一步自动提取特征并且自动定性、定量化判断轴承故障，在确保本发明诊断精度的同时降低对信号处理专业知识的依赖，无需人工判断，减少人力的消耗，在大数据时代，更加具有实用价值。
-
公开(公告)号：CN106895975A
公开(公告)日：2017-06-27
申请号：CN201710030372.2
申请日：2017-01-17
Applicant: 苏州大学
Abstract: 本发明涉及一种基于Stacked SAE深度神经网络的轴承故障诊断方法，网络的第一层用于轴承故障的定性判断，即判断故障类型，网络的第二层用于轴承故障的定量判断，即判断故障的严重程度。本发明结合经验模态分解(EMD)和自回归(AR)模型作为原始轴承信号的预处理，提取AR模型参数作为网络的输入，大大降低网络的输入维度，有利于简化计算，加快网络的训练以及测试。此外，本发明所基于的深度神经网络能对输入进一步自动提取特征并且自动定性、定量化判断轴承故障，在确保本发明诊断精度的同时降低对信号处理专业知识的依赖，无需人工判断，减少人力的消耗，在大数据时代，更加具有实用价值。
-
公开(公告)号：CN118468724B
公开(公告)日：2025-04-11
申请号：CN202410685948.9
申请日：2024-05-30
Applicant: 苏州大学
IPC: G06F30/27 , G06F30/17 , G06N3/094 , G06N3/045 , G06F18/241 , G06F18/214 , G06F119/04
Abstract: 本发明提供一种差异性对齐指导下域对抗网络机械设备RUL预测方法及系统，涉及机械RUL预测和机器学习技术领域，该方法包括采集来自不同工况、不同故障类型的传感器信号并处理成输入样本；构造特征提取器，域鉴别器和差异提取器；利用源域样本序列对特征提取器和域鉴别器进行预训练；将预训练的特征提取器和域鉴别器移至训练阶段，以进行鉴别源域样本和目标域样本；充分训练本方法至收敛，并利用训练良好的特征提取器和域鉴别器对测试样本进行预测，获得方法的预测性能。本发明可以实现跨工况下域不变特征提取和差异目标域剩余寿命侦测，具有极佳的跨域RUL效果。
-
-
-
-
-
-
-
-
-
Search Results
101
records
(took 0.026 seconds)
