-
公开(公告)号：CN110866314B
公开(公告)日：2022-11-15
申请号：CN201911008163.3
申请日：2019-10-22
Applicant: 东南大学
IPC: G06F30/17 , G06F119/04
Abstract: 本发明公开了多层双向门控循环单元网络的旋转机械剩余寿命方法，包括振动信号采集；健康指标的构建；网络训练集的构建；多层双向门控循环单元网络的构建；多层双向门控循环单元网络的训练；网络测试和剩余寿命的估计及置信区间的获取；剩余寿命预测评价。本发明结合深度学习强大特征提取能力的优势，利用双向门控循环单元神经网络进行了回归预测，通过Bootstrap方法获取剩余寿命的置信区间。针对循环神经网络模型在训练过程中模型精度对学习率的取值较为敏感，过高和过低都会影响模型的预测性能的问题，利用自然指数衰减学习效率高效训练神经网络。本发明能准确预测旋转机械剩余寿命和置信区间,可以大幅减少昂贵的计划外维修，避免大灾难的发生。
-
公开(公告)号：CN109141881A
公开(公告)日：2019-01-04
申请号：CN201810736521.1
申请日：2018-07-06
Applicant: 东南大学
IPC: G01M13/04 , G01M13/045 , G01M13/02 , G01M13/021 , G01M13/028 , G01K7/02 , G06N3/02
Abstract: 本发明公开了一种深度自编码网络的旋转机械健康评估方法，包括步骤1，振动信号采集；步骤2，原始特征提取；步骤3，采用深度自编码网络DAE进行特征降维；步骤4，特征选择；步骤5，采用无监督SOM算法进行健康指标构建；步骤6，采用基于遗传算法的融合评价准则进行健康指标评价。本发明结合深度学习强大特征提取能力的优势，将深度自编码和最小量化误差方法相结合。另外，针对基于一个度量的评价准则常常具有偏差的问题，提供了基于遗传算法的融合评价准则。本发明能准确评估旋转机械健康状态，可广泛应用于化工、冶金、电力、航空等领域旋转机械健康评估，能准确描述这些零部件性能退化的动态过程，还能进行剩余寿命预测。
-
公开(公告)号：CN110866314A
公开(公告)日：2020-03-06
申请号：CN201911008163.3
申请日：2019-10-22
Applicant: 东南大学
IPC: G06F30/17 , G06F119/04
Abstract: 本发明公开了多层双向门控循环单元网络的旋转机械剩余寿命方法，包括振动信号采集；健康指标的构建；网络训练集的构建；多层双向门控循环单元网络的构建；多层双向门控循环单元网络的训练；网络测试和剩余寿命的估计及置信区间的获取；剩余寿命预测评价。本发明结合深度学习强大特征提取能力的优势，利用双向门控循环单元神经网络进行了回归预测，通过Bootstrap方法获取剩余寿命的置信区间。针对循环神经网络模型在训练过程中模型精度对学习率的取值较为敏感，过高和过低都会影响模型的预测性能的问题，利用自然指数衰减学习效率高效训练神经网络。本发明能准确预测旋转机械剩余寿命和置信区间,可以大幅减少昂贵的计划外维修，避免大灾难的发生。
-
公开(公告)号：CN110514444A
公开(公告)日：2019-11-29
申请号：CN201910504140.5
申请日：2019-06-12
Applicant: 东南大学
IPC: G01M13/045
Abstract: 本发明涉及一种基于变分模态分解和相空间平行因子分析的滚动轴承微弱故障特征提取方法，包括以下步骤：利用振动传感器采集滚动轴承振动信号，得到微弱故障信号x(t)；设置惩罚因子α、分解层数K，对振动信号进行变分模态分解，得到相应本征模态函数分量；依据峭度准则，选取峭度最大的本征模态函数分量作为最优分量；对最优分量进行相空间平行因子分析，在高维相空间中得到至少一个独立分量；从第四步中得到的至少一个独立分量中选取峭度最大的独立分量进行包络谱分析，并得到故障特征频率；本发明有效提取故障特征频率，实现滚动轴承故障类型的准确识别。
-
公开(公告)号：CN109186973A
公开(公告)日：2019-01-11
申请号：CN201810949099.8
申请日：2018-08-20
Applicant: 东南大学
Abstract: 本发明公开了一种无监督深度学习网络的机械故障诊断方法，包括步骤如下：(1)在机械设备的轴承等部件附近安装相应的传感器对振动信号进行采集，得到机械的振动信号;(2)将采集的振动信号转化为混合域故障特征数据集，并分为测试与训练样本特征子集；(3)将训练样本特征子集输入到所构建的无监督深度学习网络(UDLN)模型中学习与训练，该UDLN模型由两层改进的稀疏滤波(L12SF)无监督特征提取层及一层加权欧式距离相似仿射(WE-AP)聚类层组成；(4)将测试样本输入到训练好的诊断模型，实现全程无监督特征学习与故障聚类。(5)根据测试样本聚类划分的隶属程度计算其识别率，实现故障识别与诊断。本发明简单易行，该方法可对机械设备的各类故障进行自适应的无监督故障诊断。
-
Patent Agency Ranking
公开(公告)号：CN111291918B
公开(公告)日：2023-04-18
申请号：CN202010010925.X
申请日：2020-01-06
Applicant: 东南大学
IPC: G06Q10/04 , G06F18/2135 , G06F18/25
Abstract: 本发明公开了一种平稳子空间外源矢量自回归的旋转机械退化趋势预测方法，包括步骤如下：首先，对去噪后的多通道信号进行第一次平稳子空间分解提取振动平稳分量；接着提取时、频域退化特征量并通过特征融合得到高维退化指标向量组；再将时、频域下高维退化指标向量组进行第二次平稳子空间分解以及差分运算提取退化指标中的弱平稳成分作为旋转机械退化指标；将退化指标进行平稳性检验、脉冲响应分析并确定内源、外源变量以及模型阶数，通过最大似然估计确定矢量自回归模型参数，最后对旋转机械进行不同预测起始点下的退化趋势估计。本发明得到的退化趋势预测模型不仅在小样本学习下拥有良好泛化能力，而且计算迅速，可释性强。
-
公开(公告)号：CN111291918A
公开(公告)日：2020-06-16
申请号：CN202010010925.X
申请日：2020-01-06
Applicant: 东南大学
Abstract: 本发明公开了一种平稳子空间外源矢量自回归的旋转机械退化趋势预测方法，包括步骤如下：首先，对去噪后的多通道信号进行第一次平稳子空间分解提取振动平稳分量；接着提取时、频域退化特征量并通过特征融合得到高维退化指标向量组；再将时、频域下高维退化指标向量组进行第二次平稳子空间分解以及差分运算提取退化指标中的弱平稳成分作为旋转机械退化指标；将退化指标进行平稳性检验、脉冲响应分析并确定内源、外源变量以及模型阶数，通过最大似然估计确定矢量自回归模型参数，最后对旋转机械进行不同预测起始点下的退化趋势估计。本发明得到的退化趋势预测模型不仅在小样本学习下拥有良好泛化能力，而且计算迅速，可释性强。
-
公开(公告)号：CN109186973B
公开(公告)日：2020-03-31
申请号：CN201810949099.8
申请日：2018-08-20
Applicant: 东南大学
Abstract: 本发明公开了一种无监督深度学习网络的机械故障诊断方法，包括步骤如下：(1)在机械设备的轴承等部件附近安装相应的传感器对振动信号进行采集，得到机械的振动信号;(2)将采集的振动信号转化为混合域故障特征数据集，并分为测试与训练样本特征子集；(3)将训练样本特征子集输入到所构建的无监督深度学习网络(UDLN)模型中学习与训练，该UDLN模型由两层改进的稀疏滤波(L12SF)无监督特征提取层及一层加权欧式距离相似仿射(WE‑AP)聚类层组成；(4)将测试样本输入到训练好的诊断模型，实现全程无监督特征学习与故障聚类。(5)根据测试样本聚类划分的隶属程度计算其识别率，实现故障识别与诊断。本发明简单易行，该方法可对机械设备的各类故障进行自适应的无监督故障诊断。
-
公开(公告)号：CN109141881B
公开(公告)日：2020-03-31
申请号：CN201810736521.1
申请日：2018-07-06
Applicant: 东南大学
IPC: G01M13/04 , G01M13/045 , G01M13/02 , G01M13/021 , G01M13/028 , G01K7/02 , G06N3/02
Abstract: 本发明公开了一种深度自编码网络的旋转机械健康评估方法，包括步骤1，振动信号采集；步骤2，原始特征提取；步骤3，采用深度自编码网络DAE进行特征降维；步骤4，特征选择；步骤5，采用无监督SOM算法进行健康指标构建；步骤6，采用基于遗传算法的融合评价准则进行健康指标评价。本发明结合深度学习强大特征提取能力的优势，将深度自编码和最小量化误差方法相结合。另外，针对基于一个度量的评价准则常常具有偏差的问题，提供了基于遗传算法的融合评价准则。本发明能准确评估旋转机械健康状态，可广泛应用于化工、冶金、电力、航空等领域旋转机械健康评估，能准确描述这些零部件性能退化的动态过程，还能进行剩余寿命预测。
-
公开(公告)号：CN110108456A
公开(公告)日：2019-08-09
申请号：CN201910304811.3
申请日：2019-04-16
Applicant: 东南大学
IPC: G01M13/00 , G01M13/028 , G01M13/045 , G06F17/50 , G06N3/04 , G06N3/08 , G06Q10/06 , G06Q50/04
Abstract: 本发明公开了一种深度卷积神经网络的旋转机械健康评估方法，包括振动信号采集；网络训练集的构建；深度卷积网络的构建；深度卷积网络的训练；网络测试和健康指标的构建；健康指标评价。本发明结合深度学习强大特征提取能力的优势，训练标签设置考虑了分段线性退化。本发明将原始振动信号输入到深度卷积神经网络中，将深度卷积神经网络提取到的特征输入到深度神经网络中构建健康指标，利用多项式衰减学习效率高效训练神经网络。本发明能准确评估旋转机械健康状态，可广泛应用于化工、冶金、电力、航空等领域旋转机械健康评估，能准确描述这些零部件性能退化的动态过程，还能进行剩余寿命预测。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.017 seconds)
