-
公开(公告)号：CN115203898A
公开(公告)日：2022-10-18
申请号：CN202210680910.3
申请日：2022-06-16
Applicant: 苏州大学
IPC: G06F30/20 , G06F30/17 , G06F17/13 , G06F17/14 , G06F111/10 , G06F119/14
Abstract: 本发明公开了一种受内部多源故障激励的齿轮箱耦合动力学建模方法，包括以下步骤：S1：齿轮啮合时变刚度、阻尼及动态摩擦力的计算：根据齿轮形貌以及局部剥落故障参数，计算得到齿轮啮合刚度随主动轮转角的函数关系；结合混合弹流润滑理论，通过输入动态的齿轮啮合力、表面粗糙度、卷吸速度参数在每个时刻计算得到当前齿轮啮合副的动态摩擦力以及啮合阻尼；S2：计算齿轮箱中每个轴承的内外圈作用力；S3：构建整个齿轮箱动力学模型的完整方程并求解。本发明，可以准确得到受啮合力、啮合摩擦、轴承内外圈动态作用力、弹流润滑、故障激励等多重因素影响下的齿轮箱的振动响应。
-
公开(公告)号：CN114004252A
公开(公告)日：2022-02-01
申请号：CN202111205972.0
申请日：2021-10-13
Applicant: 苏州大学
Abstract: 本发明公开了一种轴承故障诊断的方法、装置、设备以及计算机可读存储介质，包括：采集轴承振动信号构建多源域和目标域数据集，构建轴承故障诊断模型，将多源域和目标域的数据集进行处理，输入特征学习器中进行特征提取，根据提取的多源域和目标域的样本特征求取矩量距离，将每个源域样本特征输入对应的分类器中，输出预测标签，并与真实标签计算分类器交叉熵损失，利用矩量距离和分类器交叉熵损失构建模型的目标函数，利用类内对齐训练策略对模型进行训练；将目标域数据集输入完成训练的模型中，通过加权分类机制输出综合预测的结果，本发明采用了多源域迁移能够利用更加完善的故障信息，以便多种工况和多类型的故障诊断。
-
公开(公告)号：CN111829782B
公开(公告)日：2021-12-07
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：CN112414714A
公开(公告)日：2021-02-26
申请号：CN202011224083.4
申请日：2020-11-05
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于自适应流形概率分布的轴承故障诊断方法，包括以下步骤：先构建多个可迁移域和迁移任务；再利用傅里叶变换将每个迁移任务中的数据样本均转化为频域数据，并将频域数据输入GFK算法模型中，利用GFK算法模型计算出每个迁移任务中与轴承故障相关的流形特征表示矩阵；根据流形特征表示，计算出每个迁移任务中的目标域与源域中心的余弦距离，并定义域内分类器学习的目标函数；再对目标函数进行求解，得到目标域的概率分布矩阵；在概率分布矩阵中选择目标域内每个数据样本对应的最大概率值所对应的标签，作为该目标域数据样本的预测标签。本发明提升了轴承故障诊断的诊断正确率和诊断效率。
-
公开(公告)号：CN111985461A
公开(公告)日：2020-11-24
申请号：CN202010669476.X
申请日：2020-07-13
Applicant: 苏州大学
Abstract: 本发明涉及一种轨道车辆编号识别方法及系统,包括：利用图像采集器采集车头的照片，将所述照片转换为二值图像，对所述二值图像依次进行高帽变换、膨胀操作以及中值滤波；通过编号的长宽比初步确定编号所在的区域，将其作为样本，通过支持向量机对样本进行训练，得到编号所在的实际区域；对得到的实际区域的车牌照片中的每位数字进行分割；构建数字识别的深度残差网络模型，对分割后的每一位数字进行识别。本发明有效提高车辆编号的识别准确率，而且抗干扰能力强、鲁棒性好。
-
Patent Agency Ranking
公开(公告)号：CN111666877A
公开(公告)日：2020-09-15
申请号：CN202010507311.2
申请日：2020-06-05
Applicant: 苏州大学
IPC: G06K9/00
Abstract: 本发明公开了一种基于变参小波流形的旋转机械微弱故障检测方法。本发明一种基于变参小波流形的旋转机械微弱故障检测方法，包括：步骤(1)、选定母小波，给定小波参数的1个取值组合，确定信号分析的尺度范围；步骤(2)、对信号进行CWT处理，计算各尺度下的小波包络；步骤(3)、按照给定指标从整个尺度带内选择包含最多故障信息的1个小波包络，即故障小波包络。本发明的有益效果：本发明提取信号在不同小波参数下的故障小波包络，利用流形学习卓越的特征挖掘能力，从高维变参小波包络中提取出具有稳定结构的脉冲包络，去除带内噪声，实现对微弱故障脉冲包络的有效检测。
-
公开(公告)号：CN110427916A
公开(公告)日：2019-11-08
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：CN106769048B
公开(公告)日：2019-05-24
申请号：CN201710030371.8
申请日：2017-01-17
Applicant: 苏州大学
IPC: G01M13/045 , G06F17/50 , G06K9/62 , G06N3/08
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。
-
公开(公告)号：CN108760294A
公开(公告)日：2018-11-06
申请号：CN201810607021.8
申请日：2018-06-13
Applicant: 苏州大学
Abstract: 本发明涉及机械设备诊断技术领域，尤其涉及一种旋转机械设备自动诊断系统及方法。本发明具有成本低、稳定性好，安装使用方便、便于维护和精度高等优点，其能够在不同转速工况下实现旋转机械设备健康状态的自动诊断，同时诊断出具体的故障模式，有针对性的排查故障；其能够以更高精度展示设备动态信号中包含的时频联合域内的设备状态特征，使得诊断技术容易操作；旋转机械设备自动诊断系统及方法还具有远程监控旋转机械设备运行的能力，显著地减少检查费用并提高检查频率性。
-
公开(公告)号：CN116108346B
公开(公告)日：2024-11-22
申请号：CN202310126044.8
申请日：2023-02-17
Applicant: 苏州大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06N3/0475 , G06N3/094
Abstract: 本发明涉及一种基于生成特征重放的轴承增量故障诊断终身学习方法，包括：将轴承状态数据集划分为多个不同诊断阶段；学习初始阶段的灰度图片样本，训练第一特征提取器和第一分类器；使用第一特征提取器提取的特征，利用对抗生成网络交替训练，得到第一特征生成器；构建原始故障诊断模型，设置其全连接层神经元数量为初始阶段故障类型数量；在增量学习阶段，利用n‑1阶段的原始故障诊断模型，训练更新n阶段的故障诊断模型，利用特征蒸馏损失函数缩小第n特征提取器与第n‑1特征提取器提取的特征的差异，利用重放对齐损失约束第n特征生成器与第n‑1特征生成器生成的特征相似，更新全连接层神经元数量为初始阶段至第n阶段故障类型数量总和，得到最终故障诊断模型。
-
-
-
-
-
-
-
-
-
Search Results
89
records
(took 0.03 seconds)
