-
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：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：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。
-
Patent Agency Ranking
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：CN118260631B
公开(公告)日：2025-03-25
申请号：CN202410350184.8
申请日：2024-03-26
Applicant: 苏州大学
IPC: G06F18/24 , G01M13/045 , G06F18/241 , G06F18/2415 , G06F18/10 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/096
Abstract: 本发明提供一种故障轴承中故障类型监测方法和系统，涉及轴承故障诊断技术领域，该方法包括采集各种故障类型的轴承振动信号，并构建故障诊断数据集，将不同阶段的故障任务划分初始任务和增量任务，并确定初始任务和增量任务的故障类别数；构建初始故障诊断模型；基于初始故障诊断模型，对增量任务进行训练，包括模型自适应阶段训练和模型融合阶段训练，通过蒸馏损失将新模型和旧模型进行整合，得到整合后的故障诊断模型；利用整合后的故障诊断模型对待检测的故障轴承振动信号进行故障诊断，得到待检测的故障轴承振动信号的故障类型；与传统的深度学习方法相比，本发明能缓解灾难性遗忘问题，更符合工业应用的实际场景。
-
公开(公告)号：CN115773883B
公开(公告)日：2024-08-20
申请号：CN202211405383.1
申请日：2022-11-10
Applicant: 苏州大学
IPC: G01M13/045 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/082
Abstract: 本发明实施例提供了一种双生成器协同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；将源域样本图片和目标域样本图片输入模型进行训练，获得两个不同的特征生成器；将特征生成器两个生成特征，融合成新的特征；更新两个特征生成器、分类器和鉴别器的参数；将目标域数据集输入训练好模型，实现轴承故障诊断。本发明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：CN115436058B
公开(公告)日：2023-10-03
申请号：CN202211057305.7
申请日：2022-08-30
Applicant: 苏州大学
IPC: G01M13/045 , G06F17/16 , G06F18/10 , G06F18/213
Abstract: 本发明公开了一种轴承故障特征提取的方法、装置、设备以及计算机存储介质，包括采集轴承振动信号，并对轴承振动信号进行加窗截取；利用Katz方法计算截取信号片段的分形维数值；根据分形维数值跟踪轴承振动信号中轴承故障产生的冲击位置，提取冲击位置的包络线；进一步地根据峰值搜索算法对包络线进行去除干扰，得到轴承振动故障特征。本发明通过分形维数将轴承的振动序列转化为短时分形维数序列，并且在转换过程中对其他的干扰信号进行抑制，将轴承故障的信号更加突出，抑制干扰信号，最后根据峰值搜索算法将所有信号进行处理，进一步抑制干扰信号对轴承故障信号的影响，更加突显轴承故障信号。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.033 seconds)
