-
公开(公告)号：CN112629863B
公开(公告)日：2022-03-01
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：CN110823576B
公开(公告)日：2021-04-30
申请号：CN201911129375.7
申请日：2019-11-18
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于生成对抗网络的机械异常检测方法。本发明一种基于生成对抗网络的机械异常检测方法，其特征在于，包括：正常信号预处理：对正常信号进行傅里叶变换，并将频谱归一化到第一预设范围；网络训练：利用多组预处理后的正常信号对生成对抗网络进行训练，使随机噪声通过网络后能够生成与预处理后的正常信号数据分布相似的伪造信号；待测信号预处理：对待测信号进行傅里叶变换，并将频谱归一化到第二预设范围。本发明的有益效果：本发明方法首先利用正常信号训练生成对抗网络，以学习正常信号的数据分布，所得伪造信号与正常信号的相似度较大。
-
公开(公告)号：CN109668733B
公开(公告)日：2020-07-28
申请号：CN201811571587.6
申请日：2018-12-21
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明公开了一种变分非线性模式分解变转速轴承故障诊断方法。本发明一种变分非线性模式分解变转速轴承故障诊断方法，包括：利用振动信号传感器收集滚动轴承动态信号；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带，从而实现频带分离；采用脊线提取算法分别在低频区域提取转频曲线和在共振频带提取故障特征频率曲线，得到粗略的频率信息；以提取出的粗略频率信息作为初始值，通过变分非线性模式分解方法进行优化分析，以获取准确估计的转频和故障特征频率；对优化后的转频和故障特征频率进行特征阶次计算，并比对理论值判断故障类型。
-
公开(公告)号：CN110174270A
公开(公告)日：2019-08-27
申请号：CN201910496586.8
申请日：2019-06-10
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。
-
Patent Agency Ranking
公开(公告)号：CN108152025B
公开(公告)日：2019-08-06
申请号：CN201711376491.X
申请日：2017-12-19
Applicant: 苏州大学
IPC: 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：CN118690146B
公开(公告)日：2024-11-22
申请号：CN202411195521.7
申请日：2024-08-29
Applicant: 苏州大学
IPC: G06F18/20 , G06F18/213 , G06N3/0455 , G06N3/0895 , G06N3/096 , G06F18/214
Abstract: 本发明公开了高铁轮轨运维技术领域的一种高铁轮轨渐进式自监督损伤识别方法，方法包括：获取待识别的振动信号；将所述振动信号输入预构建的师生网络进行训练，直至基于所述振动信号构建的重构损失函数和预测损失函数收敛，获得训练完成师生网络中的编码器参数；将所述编码器参数迁移至预构建的识别网络，输入训练样本至所述识别网络，获得训练完成的识别网络；将所述振动信号输入至训练完成的所述识别网络中，输出损伤类型预测概率。本发明能够解决现有的自监督学习方法局限于设计预先定义的代理任务来利用无标签样本进行预训练，其有效性和合理性只能由下游识别任务的性能验证，导致识别性能和解释性弱的技术问题。
-
公开(公告)号：CN116307317B
公开(公告)日：2024-09-13
申请号：CN202310167994.5
申请日：2023-02-27
Applicant: 苏州大学
IPC: G06Q10/047 , G06Q50/26
Abstract: 本发明提供了一种地铁网络节点最短路径求解方法及系统，该方法包括S1：获取地铁网络的站点数据和路段数据；根据所述站点数据和所述路段数据，以站点为有向节点，以路段为有向弧，构建完全有向地铁网络模型G(N,A)；将所述地铁网络模型G(N,A)的参数进行初始化，基于所述地铁网络模型G(N,A)，得到所有的OD行程；计算OD行程的理论最短路径，按照设定的修正规则对OD行程进行修正；计算并记录所有OD行程的实际最短路径矩阵和最短路径目标值。本发明解决了无向或部分有向网络因忽略换乘节点间的路权而输出错误路径的问题，同时可以实现客流的精确分配，便于乘客出行，解决了现有网络出现单向故障等状况时不能精确预后的问题。
-
公开(公告)号：CN118468724A
公开(公告)日：2024-08-09
申请号：CN202410685948.9
申请日：2024-05-30
Applicant: 苏州大学
IPC: G06F30/27 , G06F30/17 , G06N3/094 , G06N3/045 , G06F18/241 , G06F18/214 , G06F119/04
Abstract: 本发明提供一种差异性对齐指导下域对抗网络机械设备RUL预测方法及系统，涉及机械RUL预测和机器学习技术领域，该方法包括采集来自不同工况、不同故障类型的传感器信号并处理成输入样本；构造特征提取器，域鉴别器和差异提取器；利用源域样本序列对特征提取器和域鉴别器进行预训练；将预训练的特征提取器和域鉴别器移至训练阶段，以进行鉴别源域样本和目标域样本；充分训练本方法至收敛，并利用训练良好的特征提取器和域鉴别器对测试样本进行预测，获得方法的预测性能。本发明可以实现跨工况下域不变特征提取和差异目标域剩余寿命侦测，具有极佳的跨域RUL效果。
-
公开(公告)号：CN116337447B
公开(公告)日：2024-07-19
申请号：CN202211640727.7
申请日：2022-12-19
Applicant: 苏州大学
IPC: G01M13/045 , G01M17/10 , G06F18/213 , G06F18/24 , G06N3/084 , G06N3/0464
Abstract: 本发明涉及一种非平稳工况下轨道车辆轮对轴承故障诊断方法包括根据多种传感器采集的轨道车辆轮对轴承在不同非平稳工况下的多种信号获取样本数据；多通道融合得多传感器信息融合样本并进行自适应加权，生成目标多传感器信息融合数据，特征提取器提取目标多传感器信息融合数据在多传感器视角下的特征信息，存储至相对应的记忆库中；利用原型对比学习进行领域适配学习，获取域适应损失；利用源域数据集中提取的特征信息与半监督学习算法训练域共享类别分类器；利用域适应损失与半监督分类损失通过反向传播与梯度下降算法更新网络参数，获得目标网络；将数据集中没有类别标签的待测试样本数据输入至目标网络中，获取待测试样本数据的故障类别。
-
-
-
-
-
-
-
-
-
Search Results
101
records
(took 0.019 seconds)
