-
公开(公告)号：CN102866010B
公开(公告)日：2015-02-04
申请号：CN201210371014.5
申请日：2012-09-28
Applicant: 苏州大学
Abstract: 本发明实施例公开了一种信号的谱峭度滤波方法及相关装置，用于强背景噪声信号滤波，提取信号瞬态特征。本发明实施例包括：获取输入信号；建立以输入信号的信号特征频率为中心频率，不同带宽的Morlet小波滤波器组；根据Morlet小波滤波器组对输入信号滤波，并计算信号平方包络；根据信号平方包络计算谱峭度，并得出谱峭度阻尼比矩阵；根据谱峭度阻尼比矩阵自适应获取最优带宽Morlet小波滤波器；利用最优带宽Morlet小波滤波器对输入信号滤波，并提取输入信号的瞬态特征。
-
公开(公告)号：CN102693546B
公开(公告)日：2014-11-05
申请号：CN201110071061.3
申请日：2011-03-23
Applicant: 苏州大学
IPC: G06T11/00
Abstract: 本发明公开了一种信号时频特征图像生成方法，包括：获取时域波形信号；对所述时域波形信号分别进行Wigner-Ville分布变换(WVD)和小波变换(WT)，得到两个时频矩阵；对所述两个时频矩阵中的每个时频值进行归一化处理；将归一化处理后的两个时频矩阵融合成一个时频矩阵；对融合后的时频矩阵进行反归一化处理；根据反归一化处理后的时频矩阵，生成信号时频特征图像。本发明还公开了一种信号时频特征图像生成装置。采用本发明所述方法或装置生成的信号时频特征图像，具有较高的时频分辨率，并且能够消除生成图像时引入的交叉项。
-
公开(公告)号：CN103954353A
公开(公告)日：2014-07-30
申请号：CN201410198242.6
申请日：2014-05-12
Applicant: 苏州大学
Abstract: 本发明公开了一种信号中瞬态成分稀疏表示检测方法及装置，本发明方法包括：对输入信号进行模/数转换，获得检测信号；对检测信号建立最优小波原子库和最小优化方程；根据所述最优小波原子库建立优化迭代法求解最小优化方程，并确定出所述检测信号在所述最优小波原子库上的稀疏表示系数；根据所述稀疏表示系数，确定出所述检测信号中瞬态成分的发生时刻；根据所述检测信号中瞬态成分的发生时刻，针对含周期性瞬态成分的信号，确定所述检测信号中瞬态成分的周期。本发明用于检测和提取信号中瞬态成分，结果表示简洁且对噪声敏感度小。
-
公开(公告)号：CN103336140A
公开(公告)日：2013-10-02
申请号：CN201310247876.1
申请日：2013-06-20
Applicant: 苏州大学
IPC: G01P3/00
Abstract: 本发明实施例公开了一种基于齿轮啮合振动的转速估计方法及装置，用于增强抗噪能力和提高估计的转速曲线精度。本发明实施例包括：获取齿轮啮合振动信号；计算齿轮啮合振动信号的Wigner-Ville分布和小波尺度谱；对Wigner-Ville分布和小波尺度谱进行时频融合，得到时频融合分布；根据时频融合分布，确定出齿轮啮合频率曲线；根据齿轮啮合频率曲线以及主动轮的齿数，确定出主动轮的转速曲线。
-
公开(公告)号：CN103136520A
公开(公告)日：2013-06-05
申请号：CN201310096658.2
申请日：2013-03-25
Applicant: 苏州大学
Abstract: 本发明公开了一种基于PCA-SC算法的形状匹配和目标识别方法，包括：对目标图像进行预处理，滤除目标图像中的部分噪声；提取目标图像的边缘；提取边界轮廓点信息，并求出轮廓点的直角坐标参数；将轮廓点由直角坐标转化为极坐标，得到每个点对应的对数极坐标直方图，形成局部特征描述符；形成协方差矩阵，提取出该矩阵较大特征值对应的特征向量，采用线性变换方法将矩阵由高维降至低维，形成新的特征矩阵用于形状匹配和目标识别；计算匹配度，获得目标图像与每个模板图像之间的匹配度值。本发明可以对图像形状进行特征的提取和有效表示，具有尺度不变性、旋转不变性和平移不变性，提高了识别的准确率和效率，有效抑制噪声的干扰。
-
Patent Agency Ranking
公开(公告)号：CN102256269A
公开(公告)日：2011-11-23
申请号：CN201110253062.X
申请日：2011-08-30
Applicant: 苏州大学
CPC classification number: Y02D70/00
Abstract: 本发明公开了一种基于检测信息融合的无线传感器网络确定性部署方法，利用传感器装置检测目标信号强度x，目标可以同时被多个传感器装置检测到；根据检测到的目标信号强度和目标特征参数表达式采用最优线性无偏估计方法，计算目标特征参数θ的估计值和参数估计误差然后，计算相邻传感器节点之间的最大间隔距离dmax；最后，根据dmax计算需要部署的传感器节点数量和具体的放置位置。本发明利用传感器节点之间的信息协作处理能力，以参数估计理论为基础，在给定检测概率条件下，可以大量减少用于检测的传感器节点数量，提高检测效率，降低无线传感器网络实施有效监测的成本，适用于工厂自动化设备状态监测与故障诊断和城市交通安全监控等领域。
-
公开(公告)号：CN119827155A
公开(公告)日：2025-04-15
申请号：CN202411798759.9
申请日：2024-12-09
Applicant: 苏州大学
IPC: G01M13/045 , G06F18/24 , G06F18/214 , G06F18/2131 , G06N3/08 , G06N3/084 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及一种双分类器协同引导的轴承不平衡故障诊断方法及系统，所述方法包括：采集不同工况下各个健康状态的轴承振动信号，并进行快速傅里叶变换，将其转换为频域信号，得到数据集，将数据集划分为不同工况下的源域数据和目标域数据，对所述源域数据进行标记；构建故障诊断模型，所述故障诊断模型包括共享特征提取器、平衡分类器和标准分类器；以及基于所述源域数据和所述目标域数据，构建损失函数；利用损失函数对所述故障诊断模型进行训练，得到训练后的故障诊断模型；将待测轴承振动信号输入到所述训练后的故障诊断模型中，得到故障诊断结果。本发明能够解决现有技术中诊断模型性能受标签稀缺、数据分布不平衡以及模型泛化能力提升的问题。
-
公开(公告)号：CN119272208A
公开(公告)日：2025-01-07
申请号：CN202411794290.1
申请日：2024-12-09
Applicant: 苏州大学
IPC: G06F18/2433 , G06F18/2131 , G06F18/214 , G06F18/21 , G06N3/0464 , G06N3/084 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/048
Abstract: 本发明公开了高铁轮轨运维技术领域的一种高铁齿轮箱损伤状态评估方法、装置、电子终端及存储介质，方法包括：获取待识别的高铁齿轮箱的振动信号；将所述振动信号输入预训练的高铁齿轮箱损伤状态评估模型；根据静态卷积模块和动态卷积模块分别提取所述振动信号中的粗粒度域泛化特征和细粒度域泛化特征，构建动态域泛化特征；将所述动态域泛化特征输入损伤状态判别器，得到多种损伤状态的多维预测概率数据，并根据对应多种损伤状态的多维预测概率数据确定损伤状态评估结果。本发明能够解决由于提取信号的域泛化特征不全面，使得一些微弱但重要的域泛化信息缺失，导致损伤状态评估准确率下降，难以保障高铁运行安全和效率的技术问题。
-
公开(公告)号：CN119128669A
公开(公告)日：2024-12-13
申请号：CN202411149555.2
申请日：2024-08-21
Applicant: 苏州大学
IPC: G06F18/2413 , G01M13/045 , G06F18/214 , G06F18/21 , G06F18/25 , G06F18/23213 , G06N3/0985 , G06N3/0895 , G06N3/096 , G06F123/02
Abstract: 本发明涉及一种基于物理信息自监督迁移的轴承故障诊断方法及系统，属于轴承故障诊断技术领域。采集轴承的振动信号获得数据集，对其分析获得物理标签、伪标签和数据标签，并对伪标签进行动态更新；分别根据伪标签和数据标签的交叉熵、物理标签和数据标签的交叉熵获得数据损失和物理损失，并动态分配权重融合两者获得损失函数；其中，物理损失的权重根据数据损失的方差倒数动态调整；将待检测轴承的目标数据输入至利用损失函数训练得到的诊断模型中，输出目标特征；将特征输入至物理模型和聚类模型中获得目标物理标签和目标伪标签，并将其对齐，得到故障诊断结果。本发明提高了诊断模型的泛化能力和可解释性，且不依赖于标记标签。
-
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
143
records
(took 0.027 seconds)
