-
公开(公告)号：CN114626406A
公开(公告)日：2022-06-14
申请号：CN202210138615.5
申请日：2022-02-15
Applicant: 苏州大学
IPC: G06K9/00 , G06N3/04 , G01M13/045
Abstract: 本发明公开了一种基于类边界特征检测的轴承故障诊断方法及方法，包括以下步骤：采集不同工况下的轴承振动数据，每种工况下采集的数据作为一个可迁移域；搭建包括特征提取器和两个分类器的神经网络模型；输入源域样本训练神经网络模型；将源域样本和辅助域样本均输入神经网络模型，训练分类器以增大两个分类器的分类差异且两个分类器对于源域均具有分类能力；将辅助域输入神经网络模型，训练特征提取器使得其提取的特征能够同时满足两个分类器的分类要求；训练直至神经网络模型收敛，得到故障诊断模型对未知域进行故障诊断。本发明仅使用一个完全标记域，实现对于未知工况下轴承多尺寸、多类型故障的准确诊断。
-
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：CN110555273A
公开(公告)日：2019-12-10
申请号：CN201910838978.8
申请日：2019-09-05
Applicant: 苏州大学
IPC: G06F17/50
Abstract: 本发明公开一种基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，包括步骤(1)采集滚动轴承的全寿命原始信号；并提取包含时域、时频域和三角函数特征的特征集合；(2)将特征集合输入隐马尔科夫模型预测隐状态，获取故障发生时刻；(3)将来自所有源域和部分目标域的特征集合组成训练集输入构建的多层感知机模型，通过优化目标训练获得域不变特征和最优模型参数，将最优模型参数代入感知机模型获得神经网络寿命预测模型；(4)将剩余的目标域特征集输入神经网络寿命预测模型，根据输出值预测轴承的剩余寿命。本发明利用隐马尔科夫模型自动检测出故障发生时刻，之后采用基于多层感知器的迁移学习来解决不同工况条件造成的源域和目标域的分布差异。
-
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：CN108827634A
公开(公告)日：2018-11-16
申请号：CN201810662526.4
申请日：2018-06-25
Applicant: 苏州大学
IPC: G01M13/04
Abstract: 本发明涉及一种流形融合经验模态分解方法，包括：在分析信号中加入均值为0、标准差为σ的随机白噪声，获得加噪信号；对所述加噪信号进行EMD处理，获得一个包含故障信息的IMF，即故障模态分量；改变σ的值，重复上述步骤N次，获得N个具有不同噪声强度的故障模态分量，其中，N是正整数；按照给定流形学习方法对所述N个故障模态分量进行融合，得到高维故障模态分量的内在流形结构，即故障瞬态成分。上述流形融合经验模态分解方法，对每次加入分析信号中的随机白噪声的标准差取不同的值，利用流形学习优秀的特征挖掘能力，从高维故障模态分量中提取出具有稳定结构的瞬态成分。
-
Patent Agency Ranking
公开(公告)号：CN212046997U
公开(公告)日：2020-12-01
申请号：CN202020272400.9
申请日：2020-03-06
Applicant: 苏州大学
Abstract: 本实用新型涉及一种限制城市轨道交通供电系统功率越区传输的回流电路装置,与第一行走行轨和第二行走行轨相连，包括设置在所述第一行走行轨上的第一绝缘节，设置在所述第二行走行轨上的第二绝缘节，所述第一绝缘节的两侧分别设第一二极管和第三二极管，所述第二绝缘节的两侧分别设第二二极管和第四二极管，且所述第一二极管和第三二极管连接至所述第一行走行轨上，所述第二二极管和第四二极管连接至所述第二行走行轨上，所述第一绝缘节和所述第二绝缘节的同侧分别设有第一短接电缆和第二短接电缆。本实用新型可以限制越区传输的功率，提高轨道交通运行的安全性与经济性。
-
公开(公告)号：CN206504869U
公开(公告)日：2017-09-19
申请号：CN201720180479.0
申请日：2017-02-27
Applicant: 苏州大学
IPC: G01M13/04
Abstract: 本实用新型涉及一种滚动轴承故障诊断装置，包括加速度传感器，用于采集四种工况下样本滚动轴承工作在不同转速的振动加速度信号以及待测滚动轴承工作时的振动加速度信号；数据处理单元，与加速度传感器连接，包括卷积神经网络模块，用于提取振动加速度信号的特征信号，将提取好的样本轴承的特征结合其标签输出、将提取好的待测轴承的特征直接输出；识别模块，与数据处理单元的输出端连接，用于对结合了标签的样本轴承的特征进行模型训练、对提取好的待测轴承的特征根据模型输出进行状态识别。本实用新型将卷积神经网络和支持向量回归具备的优点加以整合，利用深度学习和支持向量回归进行滚动轴承故障工况的分类，实现对滚动轴承故障的识别和诊断。
-
公开(公告)号：CN206504868U
公开(公告)日：2017-09-19
申请号：CN201720131877.3
申请日：2017-02-14
Applicant: 苏州大学
IPC: G01M13/04
Abstract: 本实用新型提供一种滚动轴承振动测试装置，包括底座、驱动电机、与驱动电机连接的传动轴，所述传动轴的输入输出端分别连接有同轴线的滚动轴承，两所述滚动轴承均连接有轴承座，还包括对所述滚动轴承提供径向加载力的径向加载机构，所述径向加载机构包括加载轴承、套设在加载轴承上的加载轴承套、通过加载轴承套与加载轴承径向连接的S型数显推拉力计、其中一端与S型数显推拉力计通过橡胶垫圈和螺杆连接的缓冲块、其中一端与缓冲块连接的丝杆、通过丝母与丝杆另一端连接的加载座。本实用新型克服了现有加载装置复杂、加载调节难度大、布局不合理和传动结构复杂等缺点。
-
公开(公告)号：CN206480004U
公开(公告)日：2017-09-08
申请号：CN201720053615.X
申请日：2017-01-17
Applicant: 苏州大学
Abstract: 本实用新型涉及一种基于Nesterov动量法的自适应深度置信网络轴承故障诊断装置，包括信号采集模块，用于获取滚动轴承不同健康状态的原始信号；故障诊断模块，与所述信号采集模块连接，将原始信号作为输入信号，对原始信号的深层特征进行自动提取；未知状态信号输入模块，与所述故障诊断模块连接，由所述故障诊断模块判断滚动轴承的工作状态和故障类型。本实用新型在滚动轴承故障分类的基础上，针对目前深度置信网络(Deep Belief Network)对原始信号的故障分类精度受限的问题，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：CN205262744U
公开(公告)日：2016-05-25
申请号：CN201520915212.2
申请日：2015-11-17
Applicant: 苏州大学
Inventor： 沈长青
IPC: G01M13/04
Abstract: 本实用新型公开了一种基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测装置，包括轴承发出的声源信号、传感器、信号调理器、数据采集系统和中央处理器，所述传感器接收声源信号，所述传感器传信于所述信号调理器，所述信号调理器传信于所述数据采集系统，所述数据采集系统传信于所述中央处理器。该基于参数化多普勒瞬态模型的列车轮对轴承故障瞬态特征检测装置能够处理受多普勒效应影响的列车轴承信号，精确诊断轴承的故障。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.021 seconds)
