-
公开(公告)号：CN116561904A
公开(公告)日：2023-08-08
申请号：CN202310276591.4
申请日：2023-03-21
Applicant: 苏州大学
IPC: G06F30/17 , G06F119/14
Abstract: 本发明公开了一种滚动轴承动力学建模和振动特征分析方法，包括以下步骤：S1：建立健康的轴承动力学模型：分别计算了轴承处于弹流体动压润滑时轴承的刚度和阻尼、滚动体与保持架之间的力以及滚动体与滚道之间的力，确定了健康的轴承动力学模型中所需的基本物理量；S2：建立具有局部故障的轴承动力学模型：通过引入半正弦函数，描述了滚动体经过局部故障时的时变位移激励，最终建立了具有局部故障的轴承动力学模型；S3：识别具有局部故障的动态模型中的主要激振源：通过比较动态模型中基本物理量的数值大小和变化趋势，确定主要激振源。本发明，更为真实地模拟轴承运行过程中的实际工况，为滚动轴承在故障激励下的振动响应分析提供理论基础。
-
公开(公告)号：CN114563186B
公开(公告)日：2023-01-06
申请号：CN202210074063.6
申请日：2022-01-21
Applicant: 苏州大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种滚动轴承类不平衡故障诊断方法，包括对少数类故障样本进行变参数时频分析，对多数类正常样本进行单一参数时频分析，得到类平衡的时频特征数据集；利用时频注意力机制网络模型进行特征增强处理，得到时频特征增强数据集；构建故障诊断模型；利用时频特征增强数据集对构建的故障诊断模型进行训练，得到训练好的故障诊断模型；对未知健康状态的轴承振动信号进行单一参数时频分析，利用故障诊断模型得到轴承的健康状态。扩充的数据样本具有较高的一致性和多样性，无需优化时频分析的参数，能够有效滤除时频特征中的噪声，且大大提高轴承类不平衡故障诊断的准确率。
-
公开(公告)号：CN114563186A
公开(公告)日：2022-05-31
申请号：CN202210074063.6
申请日：2022-01-21
Applicant: 苏州大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种滚动轴承类不平衡故障诊断方法，包括对少数类故障样本进行变参数时频分析，对多数类正常样本进行单一参数时频分析，得到类平衡的时频特征数据集；利用时频注意力机制网络模型进行特征增强处理，得到时频特征增强数据集；构建故障诊断模型；利用时频特征增强数据集对构建的故障诊断模型进行训练，得到训练好的故障诊断模型；对未知健康状态的轴承振动信号进行单一参数时频分析，利用故障诊断模型得到轴承的健康状态。扩充的数据样本具有较高的一致性和多样性，无需优化时频分析的参数，能够有效滤除时频特征中的噪声，且大大提高轴承类不平衡故障诊断的准确率。
-
公开(公告)号：CN114429152A
公开(公告)日：2022-05-03
申请号：CN202111677762.1
申请日：2021-12-31
Applicant: 苏州大学
Abstract: 本发明公开了一种基于动态指数对抗性自适应的滚动轴承故障诊断方法，包括以下步骤：采集不同工况下轴承运行时的振动数据；将源域特征和混合域样本特征作为输入，对抗训练分类器与域鉴别器并对特征提取器进行优化，计算损失；利用损失构建轴承故障诊断模型的目标函数，寻找最佳参数，直至轴承故障诊断模型完成，在训练过程中利用动态指数调节因子缩小源域样本和目标域样本的边缘分布和条件分布差异；将目标域样本输入轴承故障诊断模型，输出轴承故障诊断结果。本发明能够以精确定量地衡量边缘分布和条件分布在整体数据分布中的比重，从而使得模型可以更有针对性的对不同工况下的数据集进行迁移，实现精确地故障诊断。
-
公开(公告)号：CN111651937A
公开(公告)日：2020-09-11
申请号：CN202010496380.8
申请日：2020-06-03
Applicant: 苏州大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G01M13/045 , G06F119/02
Abstract: 本发明涉及一种变工况下滚动轴承的故障诊断方法，其在利用卷积神经网络学习模型的基础上，结合迁移学习的算法处理机械设备复杂多变的工况导致深度学习模型通用性变差的问题。本发明首先对不同工况下采集的数据进行切割划分样本，利用FFT对样本进行预处理，然后利用改进的ResNet-50提取样本的低层次特征，接着多尺度特征提取器从不同角度分析低层次特征得到高层次特征作为分类器的输入。在训练的过程中同时提取训练样本跟测试样本的高层次特征，计算两者的条件分布距离作为目标函数的一部分反向传播以实现类内自适应，降低域漂移的影响，使得深度学习模型能更好地胜任变工况下的故障诊断任务。
-
Patent Agency Ranking
公开(公告)号：CN110427916B
公开(公告)日：2020-05-01
申请号：CN201910750064.6
申请日：2019-08-14
Applicant: 苏州大学
Abstract: 本发明公开了一种中心频率收敛趋势作用下的故障诊断方法，包括(1)采集旋转机械设备的动态信号x(t)；(2)设置变分模型的初始分解参数；(3)使用设定初始分解参数的变分模型分解动态信号x(t)，在中心频率收敛趋势引导下遍历信号分析频带迭代分解动态信号x(t)，得到优化模态{m1...mn...mN}和相应的中心频率{ω1...ωn...ωN}；(4)搜索故障相关模态mI，以故障相关模态mI的中心频率ωI引导参数优化，提取包含故障信息的最优目标分量(5)包络分析最优目标分量根据包络谱诊断旋转机械设备。本发明的故障诊断方法，采用中心频率收敛趋势引导的分解方式实现诊断目标设备原始动态信号的智能分解，能够对采集的设备动态信号自适应地分析，降低了技术人员使用变分模态分解方法进行机械故障诊断的难度。
-
公开(公告)号：CN108827634B
公开(公告)日：2019-12-03
申请号：CN201810662526.4
申请日：2018-06-25
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明涉及一种流形融合经验模态分解方法，包括：在分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；对所述加噪信号进行EMD处理，获得一个包含故障信息的IMF，即故障模态分量；改变σ的值，重复上述步骤N次，获得N个具有不同噪声强度的故障模态分量，其中，N是正整数；按照给定流形学习方法对所述N个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。上述流形融合经验模态分解方法，对每次加入分析信号中的随机白噪声的标准差取不同的值，利用流形学习优秀的特征挖掘能力，从高维故障模态分量中提取出具有稳定结构的瞬态成分。
-
公开(公告)号：CN107525674B
公开(公告)日：2019-06-28
申请号：CN201710392666.X
申请日：2017-05-27
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于脊线概率分布和局部波动特征的瞬时转频估计方法及检测装置，方法包括以下步骤：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频段，从而实现频段分离，并采用幅值累加平方算法对信号低频区域和共振频段时频分布特征进行增强；采用峰值搜索算法分别搜索信号低频区域和共振频段转频同步脊线，预估计出转频信息，对共振频段脊线同步化处理；利用基于概率分布的异常脊线区间定位方法，以确定脊线失效位置，改善对低频段和共振包络信号提取的脊线进行融合的结果；建立基于局部波动特性异常区间融合准则，引入标准差作为统计指标来指示脊线波动特征，作为异常数据段融合指标来评定融合结果，实现转频准确估计。
-
公开(公告)号：CN108152025A
公开(公告)日：2018-06-12
申请号：CN201711376491.X
申请日：2017-12-19
Applicant: 苏州大学
IPC: G01M13/00
CPC classification number: G01M13/00
Abstract: 本发明公开了一种自适应变分模式分解的机械微弱故障诊断方法。首先利用振动信号传感器收集机械设备动态信号；然后给定一个初始平衡参数以及设定变分模式分解方法提取分量的个数为一个；然后，利用变分模式分解方法对设备动态信号进行迭代分解，并以峭度或稀疏度等故障特征敏感参数为衡量指标计算分解出的模式分量，直到确定变分模式分解方法分解出含有故障信息的分量停止迭代分解；其次，将迭代分解出的干扰分量从原始设备动态信号中剔除。该发明克服了传统变分模式分解方法中最优平衡参数以及合理的分解模式分量的数目自适应选择的难题，能够自适应地提取出机械设备动态信号中的故障成分，且易操作，具有广泛应用的前景。
-
公开(公告)号：CN107525674A
公开(公告)日：2017-12-29
申请号：CN201710392666.X
申请日：2017-05-27
Applicant: 苏州大学
IPC: G01M13/04
CPC classification number: G01M13/045
Abstract: 本发明公开了一种基于脊线概率分布和局部波动特征的瞬时转频估计方法及检测装置，方法包括以下步骤：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频段，从而实现频段分离，并采用幅值累加平方算法对信号低频区域和共振频段时频分布特征进行增强；采用峰值搜索算法分别搜索信号低频区域和共振频段转频同步脊线，预估计出转频信息，对共振频段脊线同步化处理；利用基于概率分布的异常脊线区间定位方法，以确定脊线失效位置，改善对低频段和共振包络信号提取的脊线进行融合的结果；建立基于局部波动特性异常区间融合准则，引入标准差作为统计指标来指示脊线波动特征，作为异常数据段融合指标来评定融合结果，实现转频准确估计。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.025 seconds)
