-
公开(公告)号：CN101798957B
公开(公告)日：2011-10-05
申请号：CN201010101341.X
申请日：2010-01-27
Applicant: 北京信息科技大学
IPC: F02B77/08
Abstract: 本发明涉及一种动力设备故障诊断方法，(1)设置一包括往复式发动机、取油装置、油液预处理器、油液数据分析存储模块、故障诊断模块、磁电传感器、电压传感器、压力传感器、温度传感器、振动传感器、超声波传感器、信号调理箱、模数转化模块和数据采集模块的故障监测预报系统；(2)根据油液分析数据及各传感器采集到的数据，判断采集数据是否超出正常相位和幅值的界限值上限，若没有超出，则继续运行设备；若超出，则进行相位偏移和幅值数据量化处理；(3)根据模糊评判方法，建立幅值和相位信号模糊评判矩阵；(4)根据模糊评判矩阵，对采集的各种数据进行故障诊断。本发明采集手段全面，并能满足故障预报及监测功能，诊断精度较高。本发明可以广泛应用于各种往复机械设备中。
-
公开(公告)号：CN101901490A
公开(公告)日：2010-12-01
申请号：CN201010232138.6
申请日：2010-07-15
Applicant: 北京信息科技大学
Abstract: 本发明提供一种生成信号调理电路图像的系统，包括：存储模块，用于存储多个基本电路；查找模块，用于根据用户对待生成电路的描述信息，从存储模块中查找用户所需待生成电路相关的目标电路；输入输出模块，用于接收用户对待生成电路的描述信息，输出目标电路，通过接受用户对目标电路的修改，得到待生成电路；其中查找模块包括：确定单元，用于生成待生成电路的第一信息实体集合；搜索单元，用于从存储模块中查找到具有第一信息实体集合中全部或部分信息实体的目标基本电路；获取单元，用于获取第一信息实体集合与目标基本电路的相关度；选择单元，用于从目标基本电路中，选择相关度大于预先设置的相关度阈值的至少一个作为目标电路。
-
公开(公告)号：CN101770219A
公开(公告)日：2010-07-07
申请号：CN201010102878.8
申请日：2010-01-29
Applicant: 北京信息科技大学
IPC: G05B19/4065
Abstract: 本发明涉及一种车铣复合机床故障诊断知识库的知识获取方法，步骤一、获取车铣复合机床历史故障信息和机床实时在线监测信息；步骤二、对历史故障信息和实时在线监测信息依次进行信号处理、故障特征信息选取和数据离散化处理后，以故障特征属性为条件属性，以故障模式为决策属性，构建故障诊断的知识决策表；步骤三、基于所构建的知识决策表，进行基于粒度计算的故障特征属性的约简和属性值约简；步骤四、采用规则的置信度和覆盖度作为评价指标对约简后的决策规则进行度量和评价。本发明由于可以从大量实时在线和离线数据中为故障诊断获取精简、有效的知识和规则，为其故障诊断提供了有效的保障。本发明可以广泛应用于各种数控机床故障诊断中。
-
公开(公告)号：CN101727107A
公开(公告)日：2010-06-09
申请号：CN200910238106.4
申请日：2009-11-13
Applicant: 北京信息科技大学
Abstract: 本发明提供了一种太阳能采集装置中柔性太阳跟踪方法，包括：太阳方位监测模块实时监测太阳方位并发送太阳方位角及高度角参数给参数计算模块；参数计算模块计算该参数，换算得到与太阳方位角及高度角对应的两个驱动转角参数；驱动装置根据太阳方位角与高度角参数的变化，驱动太阳能采集板进行两个角方位的实时联动；自方位误差测定模块实时监测太阳能采集板方位误差并发送参数；反馈控制模块根据太阳能采集板方位误差修正实时联动的频率与步幅。本发明还提供了一种采用上述方法的系统。本发明中太阳方位确定为方位角及高度角两个角参数，对两个角参数进行换算，驱动太阳能采集板进行两个角参数的联动，跟踪太阳精度高、时间间隔小，且结构简单、造价低。
-
公开(公告)号：CN112052902B
公开(公告)日：2023-05-23
申请号：CN202010929759.3
申请日：2020-09-07
Applicant: 北京信息科技大学
IPC: G06F18/24 , G06F18/213 , G06N3/0464 , G06N3/047 , G06N3/0442 , G06N3/045 , G01M13/045
Abstract: 本发明涉及一种滚动轴承故障诊断方法、系统、计算机程序及存储介质，其包括：将采集到的滚动轴承原始振动信号进行分段和二维堆叠后，得到二维数列；将二维数列代入卷积神经网络分支中，进行特征提取，同时提取时间域和空间域的特征；将截取的第n组数据代入长短时记忆网络分支中，得到和卷积神经网络运算后相同格式的数据；将经卷积网络分支处理的数据和经长短时记忆网络分支处理的数据利用残差网络的并联结构进行加权，并代入池化层中进行池化运算；重复前述步骤构建时空神经网络的网络层，构建若干层之后将输出数据代入最后的全连接层进行计算；再使用softmax进行分类，根据分类结果判断滚动轴承是否存在故障以及故障类型。
-
Patent Agency Ranking
公开(公告)号：CN113935371A
公开(公告)日：2022-01-14
申请号：CN202111118518.1
申请日：2021-09-23
Applicant: 北京信息科技大学
IPC: G06K9/00 , G06N3/00 , G01M13/021 , G01M13/028
Abstract: 本发明涉及一种1.5维谱活跃频率的行星齿轮箱故障诊断方法及系统，其包括：采集行星齿轮箱原始振动信号，将所述原始振动信号分解为多个模态分量；将所述模态分量进行重构得到重构信号；对所述重构信号进行1.5维谱活跃频率分析提取故障特征频率，实现对行星齿轮箱的故障诊断。本发明能对行星齿轮箱故障特征频率进行准确提取，进而实现对行星齿轮箱的故障诊断。本发明能广泛在旋转机械故障诊断技术领域中应用。
-
公开(公告)号：CN112051064A
公开(公告)日：2020-12-08
申请号：CN202010929716.5
申请日：2020-09-07
Applicant: 北京信息科技大学
IPC: G01M13/045 , G06K9/00
Abstract: 本发明涉及一种旋转机械设备故障特征频率提取方法及系统，其包括：通过带通滤波器将采集到的旋转机械的振动信号划分为多个故障频带数据；采用Teager能量算子对不同故障频带的振动信号进行瞬态能量追踪，去掉能量数值低于平均能量值的故障频带数据，保留能量数值高于平均能量值的故障频带数据；利用改进自相关方法对保留的故障频带进行筛选，选取最优故障频带；对最优故障频带进行平方包络谱分析，提取故障特征频率，实现故障诊断。本发明能实现轴承故障特征频率的准确提取，进而对轴承的故障进行研究和分析。
-
公开(公告)号：CN109409378A
公开(公告)日：2019-03-01
申请号：CN201811206914.8
申请日：2018-10-17
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种纳西东巴经书的数字化处理方法，其包括以下步骤：采用东巴经书CCD数字采集系统对东巴经典古籍进行数字化采集；对采集到的东巴经典古籍图像信息进行自适应中值滤波去噪处理；对去噪后的东巴经典古籍图像信息进行图像二值化处理，增强目标文字图像与背景的对比度；对二值化处理后的东巴经典古籍图像中的文字进行边缘检测；对边缘检测后的东巴经典古籍图像中的文字进行切分；将切分后的东巴形文图像归一化，完成东巴经典古籍的数字化处理。本发明能降低图片偏差，提高东巴文的辨识率。
-
公开(公告)号：CN108896296A
公开(公告)日：2018-11-27
申请号：CN201810351068.2
申请日：2018-04-18
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种基于卷积神经网络的风电齿轮箱故障诊断方法，其步骤：采集各种故障类型下的状态振动信号，并进行时频变换获取振动时频图，建立风电机组齿轮箱故障样本库；随机选取训练样本建立卷积神经网络模型；调整每类故障样本图像像素，作为训练样本输入卷积神经网络，进行迭代训练并优化训练全局参数使卷积神经网络输出softmax损失函数值下降并收敛，得到训练好的卷积神经网络；再次采集风电机组齿轮箱故障振动信号作为待诊断样本，将待诊断样本进行时频变换生成时频图，并调整像素，输入训练好的卷积神经网络进行识别分类，输出故障样本属于各类故障的概率值，将最大概率值对应的故障类别作为该待诊断样本的故障类型。
-
公开(公告)号：CN104897277B
公开(公告)日：2018-05-11
申请号：CN201510295830.6
申请日：2015-06-02
Applicant: 北京信息科技大学
IPC: G01H17/00
Abstract: 本发明涉及一种基于双谱熵的风力发电机组故障诊断方法，其步骤：采集风力发电机组在正常运行状态、轻度故障、中度故障以及重度故障下的振动信号；计算所有振动信号的故障特征带；建立故障疏离度检测模型；采集待检测风力发电机组的振动信号，将待检测振动信号进行故障特征带计算，得到的故障特征输入故障疏离度检测模型中，计算该故障状态与四类故障状态的故障疏离度,得到的最小疏离度即为该风机的故障状态。本发明能有效提取非平稳信号的故障特征，并进行风力发电机组的故障诊断，提高故障诊断的精度，可以广泛在风电机组设备故障诊断中应用。
-
-
-
-
-
-
-
-
-
Search Results
95
records
(took 0.027 seconds)
