-
公开(公告)号：CN118094201B
公开(公告)日：2024-07-02
申请号：CN202410524561.5
申请日：2024-04-29
Applicant: 苏州大学
IPC: G06F18/213 , G06F18/25
Abstract: 本发明公开了智能运维技术领域的一种自适应多变量故障特征提取与增强方法，方法包括：采集多变量振动信号；根据所述多变量振动信号的采样频率获取初始频率，根据多维拓展后的变分模式提取方法对所述初始频率进行一次更新获得更新后的频率，将所述初始频率和更新后的频率作差以获取一次更新前后频率之差的正负转变点，根据所述正负转变点获取联合特征信息；将所述联合特征信息输入预构建的多变量模式提取模型以提取多变量故障模式；通过多变量故障模式的融合包络谱降低所述多变量故障模式中的带内噪声以突出故障特征频率进行故障特征识别。本发明能够解决多变量信号中故障特征提取困难，大量的带内噪声导致重要故障信息被淹没的技术问题。
-
公开(公告)号：CN118097945A
公开(公告)日：2024-05-28
申请号：CN202410196764.6
申请日：2024-02-22
Applicant: 苏州大学
Abstract: 本发明涉及城市交通技术领域，具体指一种交叉口网联自动驾驶可变车道设计优化系统与方法、设备、计算机可读存储介质，包括：将交叉口上游引导区域分为限制区、变道区、自由区；设置网联自动驾驶可变车道级别以及级别切换条件；设置指示标志；根据获取信息，计算网联自动车辆占比，比较网联自动车辆占比与比例阈值关系，确定网联自动驾驶可变车道级别；根据网联自动驾驶可变车道级别信息，进行网联自动驾驶可变车道级别切换。本发明有效应对网联自动车辆不同占比导致的车道资源设置浪费的问题，最大化交叉口网联自动驾驶可变车道利用率，有效降低交叉口车道资源浪费；提高交叉口网联自动驾驶可变车道通行效率，优化交叉口交通流的整体运行状况。
-
公开(公告)号：CN117436037A
公开(公告)日：2024-01-23
申请号：CN202311506970.4
申请日：2023-11-13
Applicant: 苏州大学
IPC: G06F18/28 , G01M13/045 , G06F18/2136
Abstract: 本发明涉及一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法及系统，所述方法包括：对初始振动信号进行预处理，生成振动信号；根据加权多尺度卷积稀疏表示模型、交替方向乘子法和受控极小化法生成迭代求解算法；根据所述迭代求解算法从所述振动信号中分离时域故障冲击特征；根据所述时域故障冲击特征确定轴承故障类型。通过加权多尺度卷积稀疏表示模型、交替方向乘子法和受控极小化法得到迭代求解算法，可以在多种复杂干扰条件下依然能够准确提取周期性故障冲击特征，实现滚动轴承的准确诊断，确保整个机械系统的运行安全。
-
公开(公告)号：CN116702967A
公开(公告)日：2023-09-05
申请号：CN202310625887.2
申请日：2023-05-30
Applicant: 苏州大学
IPC: G06Q10/04 , G06Q10/0631 , G06Q50/26
Abstract: 本发明提供一种考虑多目标多场景的公交时刻表优化方法及系统，涉及智能交通技术领域，该方法包括构建乘客需求模型和场景通用模型，所述乘客需求模型包括乘客特征、公交企业成本和到站乘客等车成本；基于构建的乘客需求模型和场景通用模型，以平均发车间隔、到站停车时间、车辆满载率为约束条件，对公交企业成本和到站乘客等车成本进行协同优化，得到最优成本；根据最优成本对公交时刻表不同时段的发车时间间隔进行调整。本发明对公交企业成本和到站乘客等车成本进行协同优化，不仅能提升公交企业的运营效率，也能对公交企业的服务水平起到积极作用。
-
公开(公告)号：CN114429153B
公开(公告)日：2023-04-28
申请号：CN202111677774.4
申请日：2021-12-31
Applicant: 苏州大学
IPC: G06F18/2433 , G06F18/2415 , G06F18/241 , G06F18/214 , G06F18/21 , G06F18/213 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于终身学习的齿轮箱增量故障诊断方法及系统，包括以下步骤：S101：采集齿轮箱振动数据构建增量健康状态数据集，划分为不同阶段的故障诊断任务；S102：利用原始ResNet‑32网络学习初始阶段的故障诊断任务，构建初始阶段诊断模型；S103：利用初始阶段诊断模型初始化ResNet‑32双分支聚合网络，并根据新增的故障类型数量增加分类层神经元数量；S104：通过选取的典例和一阶段的故障诊断任务数据共同训练该阶段诊断模型，训练完成后，选取该阶段故障诊断任务数据的典例；S105：在后续增量阶段重复步骤S103‑S104，得到最终故障诊断模型，进行故障诊断。本发明以解决现有基于深度学习和迁移学习的故障诊断模型不能诊断实际的齿轮箱意外故障问题。
-
Patent Agency Ranking
公开(公告)号：CN113670616B
公开(公告)日：2022-12-06
申请号：CN202111034048.0
申请日：2021-09-03
Applicant: 苏州大学
IPC: G01M13/045 , G06K9/62
Abstract: 本发明公开了一种轴承性能退化状态检测方法及系统，包括步骤：S1、采集轴承全寿命服役过程中的振动信号；S2、构建高维退化趋势特征集，并利用指数加权滑动平均进行平滑处理；S3、设计特征敏感性评价准则，并筛选出轴承性能退化状态敏感特征集；S4、利用一致流形逼近算法融合敏感特征集，并利用指数加权滑动平均进一步平滑融合指标，形成轴承性能退化状态曲线。本发明可以去除表征指标中的噪声、减缓轴承性能退化过程中的波动；表征指标筛选准则融入了轴承性能退化过程中的单调性和相关性，能够更加合理的遴选出有效表征指标；使用一致流形逼近算法对遴选的有效指标进行融合，可兼顾数据的全局结构与局部结构，弥补传统的数据融合方法的不足。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
101
records
(took 0.026 seconds)
