-
公开(公告)号：CN116337447A
公开(公告)日：2023-06-27
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。
-
公开(公告)号：CN116296398A
公开(公告)日：2023-06-23
申请号：CN202310350682.8
申请日：2023-04-04
Applicant: 中铁工程装备集团有限公司 , 苏州大学
IPC: G01M13/045 , G01M13/028 , G01M13/021 , G06F18/213 , G06F18/10
Abstract: 本发明公开了一种机械故障定量测量方法，包括步骤（1）：采用不同的参数对机械振动信号进行时频变换，获得高维TFD；步骤（2）：对高维TFD进行流形学习，获得两维TFM特征；步骤（3）：根据两维TFM特征的幅值特点确定去噪阈值；步骤（4）：在TFM特征中根据去噪阈值区分故障信息和噪声；步骤（5）：根据噪声在时频面中的位置去除TFD中的噪声；步骤（6）：采用时频逆变换将去噪后的TFD重构为时域信号；步骤（7）：计算重构的时域信号的统计特征，实现机械故障的定量检测；本发明还公开了可读存储介质、处理器、计算机。本发明所公开的方法对不同机械振动信号的适应性好、重构信号的信噪比高、重构故障成分的幅值保真度高、机械故障的定量分析准确。
-
公开(公告)号：CN116089860A
公开(公告)日：2023-05-09
申请号：CN202310035287.0
申请日：2023-01-10
Applicant: 苏州大学
IPC: G06F18/24 , G06F18/2131 , G06F18/2337 , G06N3/0464 , G06N3/048 , G06N3/084 , G01M13/045 , G01M13/028
Abstract: 本发明涉及深度学习技术领域，尤其是指一种多阶段分布校正引导的设备故障诊断方法、装置及计算机存储介质。本发明所述的设备故障诊断方法，将无标记的查询集和有标记的查询集进行幂变换，使其符合高斯分布，并将经过幂变换的多个查询集特征聚类为多个簇并对每个支持集特征进行分配，利用无标记查询集的高斯统计量来校正带有标记的支持集分布，分布修正可以使支持集分布更接近于查询集的真实分布，通过从校正后的分布中采样来增加更多的特征以扩大训练数据集来训练分类器，可以提高模型在小样本场景下的诊断性能，实现在小样本场景下的智能故障诊断，提高了故障诊断的准确性。
-
公开(公告)号：CN110555273B
公开(公告)日：2023-03-24
申请号：CN201910838978.8
申请日：2019-09-05
Applicant: 苏州大学
IPC: G06F30/17 , G06F30/27 , G06N3/088 , G06N7/01 , G06F119/04 , G06F111/08
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：CN115659224A
公开(公告)日：2023-01-31
申请号：CN202211406175.3
申请日：2022-11-10
Applicant: 苏州大学
IPC: G06F18/24 , G06F18/214 , G06F18/15 , G06N3/047
Abstract: 本发明实施例提供了一种概率引导的域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将所述源域样本图片和目标域样本图片输入提前搭建好的神经网络模型进行训练；构建第一阶段目标函数，实现鉴别器和特征生成器参数的更新；构建第二阶段目标函数，实现分类器参数的更新，神经网络模型训练完成；将目标域数据集输入训练好的神经网络模型，实现轴承故障诊断。本发明方法解决了轴承故障诊断网络特征分类能力不足的问题，轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
Patent Agency Ranking
公开(公告)号：CN113935406A
公开(公告)日：2022-01-14
申请号：CN202111138262.0
申请日：2021-09-27
Applicant: 苏州大学
Abstract: 本发明公开了一种基于对抗流模型的机械设备无监督故障诊断方法，包括：步骤(1)、数据预处理：把机械振动信号转换到频域，并把幅值归一化到[0,1]范围；步骤(2)、先验分布设计：根据机械设备状态的K个类别设计具有K个子分布的高斯混合模型；步骤(3)、模型搭建：把自动编码器、流模型和分类器进行组合，搭建无监督故障诊断模型；步骤(4)、模型训练：利用各类别状态数据按照设计好的先验分布、预设的训练步骤、损失函数和优化算法训练所述无监督故障诊断模型；步骤(5)、故障诊断：将机械设备的状态数据输入到训练好的所述无监督故障诊断模型中，得到数据聚类结果和故障诊断结果。机械振动信号提取能力强、聚类效果好、准确率高。
-
公开(公告)号：CN113358356A
公开(公告)日：2021-09-07
申请号：CN202110631601.2
申请日：2021-06-07
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明公开了一种高速列车轮对轴承微弱故障诊断方法及系统，包括以下步骤：S1：利用高速列车轮对轴承信号特征频率更新趋势构建频谱特征信息扫描器，获取信号中潜在特征成分的边界参数；S2：根据获取到的边界参数构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量；S3：建立融合故障敏感指数，通过计算模式分量对应的故障敏感指数定位故障特征成分；S4：对故障特征成分执行包络分析获得包络谱，根据包络谱检测微弱故障特征，完成高速列车轮对轴承微弱故障诊断。本发明解决现有自适应信号分解方法在轮对轴承信号分解中带来的问题，实现高速列车轮对轴承微弱故障诊断。
-
公开(公告)号：CN112629863A
公开(公告)日：2021-04-09
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：CN111829782A
公开(公告)日：2020-10-27
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：CN106895975B
公开(公告)日：2019-03-15
申请号：CN201710030372.2
申请日：2017-01-17
Applicant: 苏州大学
IPC: G01M13/045 , G06N3/08
Abstract: 本发明涉及一种基于Stacked SAE深度神经网络的轴承故障诊断方法，网络的第一层用于轴承故障的定性判断，即判断故障类型，网络的第二层用于轴承故障的定量判断，即判断故障的严重程度。本发明结合经验模态分解(EMD)和自回归(AR)模型作为原始轴承信号的预处理，提取AR模型参数作为网络的输入，大大降低网络的输入维度，有利于简化计算，加快网络的训练以及测试。此外，本发明所基于的深度神经网络能对输入进一步自动提取特征并且自动定性、定量化判断轴承故障，在确保本发明诊断精度的同时降低对信号处理专业知识的依赖，无需人工判断，减少人力的消耗，在大数据时代，更加具有实用价值。
-
-
-
-
-
-
-
-
-
Search Results
143
records
(took 0.025 seconds)
