-
公开(公告)号：CN115112061A
公开(公告)日：2022-09-27
申请号：CN202210742688.5
申请日：2022-06-28
Applicant: 苏州大学
Abstract: 本发明涉及一种钢轨波磨检测方法及系统，包括：对正常轨道列车轴箱处振动加速度的时域信号进行稀疏优化处理，根据稀疏重构后的时域信号幅值和频域信号能量设置轨道波磨时域信号报警阈值和频域信号报警阈值，将待检测轨道列车轴箱处振动加速度的时域信号进行稀疏优化处理，将稀疏重构后的时域信号幅值和频域信号能量与时域信号报警阈值和频域信号报警阈值进行比较，当时域信号幅值和频域信号能量均大于报警阈值时，判断待检测轨道存在波磨。本发明提供的钢轨波磨检测方法使用稀疏优化方法对列车轴箱处振动加速度信号进行处理，通过设置报警阈值检测未知轨道区段，检测速度快，不影响列车正常运行，检测结果准确，可信度高。
-
公开(公告)号：CN114037215A
公开(公告)日：2022-02-11
申请号：CN202111211555.7
申请日：2021-10-18
Applicant: 苏州大学
IPC: G06Q10/06 , G06F17/16 , G01M13/045
Abstract: 本发明公开了本发明提出了一种基于变步长多尺度复杂度融合指标的故障严重性评估方法。该方法首先提出了变步长多尺度策略，通过优化粗粒化过程，更全面地挖掘了故障特征，该策略解决了传统复杂度指标(LZC)因单尺度分析导致难以挖掘深层次信息的问题，同时也解决了传统多尺度复杂度指标(MLZC)因序列长度随尺度增加而缩短导致计算结果不准确的问题，以此构建了变步长多尺度复杂度指标(VSMLZC)。该发明相比于传统的复杂度指标，能够更准确、全面地挖掘故障特征，实现对旋转设备的早期故障诊断和损伤程度评估。
-
-
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。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN110060368A
公开(公告)日：2019-07-26
申请号：CN201910323189.0
申请日：2019-04-22
Applicant: 苏州大学
Abstract: 本发明公开了一种基于潜在特征编码的机械异常检测方法。本发明一种基于潜在特征编码的机械异常检测方法，包括：数据预处理：对振动信号数据进行预处理，包括傅立叶变换和归一化；正向传播：将预处理完的信号输入第一个全卷积网络，对数据进行编码。本发明的有益效果：本方法针对异常样本缺失问题，利用深度网络的特征挖掘能力，学习正常信号样本的数据分布，通过对信号进行编码-解码-再编码，将信号转移到潜在空间中进行数据分布对比。
-
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。
-
公开(公告)号：CN106769048A
公开(公告)日：2017-05-31
申请号：CN201710030371.8
申请日：2017-01-17
Applicant: 苏州大学
CPC classification number: G01M13/045 , G06F17/5009 , G06F17/5086 , G06K9/6268 , G06N3/084 , G06N3/088
Abstract: 本发明涉及一种基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法，包括：对滚动轴承不同健康状态的原始信号进行样本划分，生成训练样本；层叠受限玻尔兹曼机(Restricted Boltzmann Machine)建立DBN模型，加入Nesterov动量法和独立自适应学习率，将训练样本输入DBN模型，通过批量随机梯度下降法和贪婪逐层无监督算法预训练DBN模型；在预训练好的模型顶层加入Softmax分类器，使用监督算法单独训练Softmax分类器，通过反向传播算法(Back Propagation)和共轭梯度法进行全局微调，得到模型最优参数；输入未知状态信号，形成测试样本集，然后将测试样本输入上述训练好的DBN模型和Softmax分类器判断滚动轴承的故障类型。通过加入Nesterov动量法和独立自适应学习率，加快DBN预训练速度，提高故障分类精度。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.027 seconds)
