-
Patent Agency Ranking
公开(公告)号：CN114964780A
公开(公告)日：2022-08-30
申请号：CN202210598089.0
申请日：2022-05-30
Applicant: 东南大学
IPC: G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于时频域卷积网络和深度森林的风电轴承故障诊断方法，涉及故障诊断技术领域，解决了在复杂工况和高噪声情况下风电机组轴承故障诊断准确率较低的技术问题，其技术方案要点是对风电轴承振动数据添加故障标签形成数据集，将数据集划分训练集和测试集；将训练集和测试集数据输入时频域卷积网络中提取深层次特征；将提取到的深层次特征集输入到深度森林的级联森林部分训练，形成振动数据和故障标签之间的恒等映射；将测试集数据输入训练好的模型中，得到相应的故障类型标签。将时频域卷积网络和深度森林结合使用，有利于实现对于特征的自动提取，能有效提取高噪声及复杂工况下的风电轴承特征中有效信息，实现更高的故障诊断精度。
-
公开(公告)号：CN114964769A
公开(公告)日：2022-08-30
申请号：CN202210477896.7
申请日：2022-04-26
Applicant: 东南大学
IPC: G01M13/021 , G01M13/028 , G06F17/16
Abstract: 本发明涉及一种风电齿轮箱振动信号故障诊断方法，包括：获得原始振动信号；根据原始振动信号构造Hankel矩阵，对Hankel矩阵进行奇异值分解获得奇异值序列矩阵；确定奇异值序列矩阵的硬阈值，基于所述硬阈值利用混合阈值奇异值分解降噪算法处理所述奇异值序列矩阵；将处理后的奇异值序列矩阵还原成Hankel矩阵，再还原成降噪后的振动信号；将降噪后的振动信号进行滤波；将滤波后信号进行包络分析，获得故障特征频率。本发明采用奇异值分解的硬阈值自适应选取算法，解决了传统的硬阈值奇异值分解降噪法阈值选取主观性较强、自适应性较弱、易丢失信号特征的问题，旨在实现在强噪声环境下对风电齿轮箱故障特征的有效提取。
-
公开(公告)号：CN114964780B
公开(公告)日：2025-03-25
申请号：CN202210598089.0
申请日：2022-05-30
Applicant: 东南大学
IPC: G01M13/045 , G06F18/2431 , G06N3/0464 , G06N3/09 , G06F18/2415
Abstract: 本发明公开了一种基于时频域卷积网络和深度森林的风电轴承故障诊断方法，涉及故障诊断技术领域，解决了在复杂工况和高噪声情况下风电机组轴承故障诊断准确率较低的技术问题，其技术方案要点是对风电轴承振动数据添加故障标签形成数据集，将数据集划分训练集和测试集；将训练集和测试集数据输入时频域卷积网络中提取深层次特征；将提取到的深层次特征集输入到深度森林的级联森林部分训练，形成振动数据和故障标签之间的恒等映射；将测试集数据输入训练好的模型中，得到相应的故障类型标签。将时频域卷积网络和深度森林结合使用，有利于实现对于特征的自动提取，能有效提取高噪声及复杂工况下的风电轴承特征中有效信息，实现更高的故障诊断精度。
-
公开(公告)号：CN114964769B
公开(公告)日：2025-02-28
申请号：CN202210477896.7
申请日：2022-04-26
Applicant: 东南大学
IPC: G01M13/021 , G01M13/028 , G06F17/16
Abstract: 本发明涉及一种风电齿轮箱振动信号故障诊断方法，包括：获得原始振动信号；根据原始振动信号构造Hankel矩阵，对Hankel矩阵进行奇异值分解获得奇异值序列矩阵；确定奇异值序列矩阵的硬阈值，基于所述硬阈值利用混合阈值奇异值分解降噪算法处理所述奇异值序列矩阵；将处理后的奇异值序列矩阵还原成Hankel矩阵，再还原成降噪后的振动信号；将降噪后的振动信号进行滤波；将滤波后信号进行包络分析，获得故障特征频率。本发明采用奇异值分解的硬阈值自适应选取算法，解决了传统的硬阈值奇异值分解降噪法阈值选取主观性较强、自适应性较弱、易丢失信号特征的问题，旨在实现在强噪声环境下对风电齿轮箱故障特征的有效提取。
-
公开(公告)号：CN115048856A
公开(公告)日：2022-09-13
申请号：CN202210501643.9
申请日：2022-05-09
Applicant: 东南大学
Abstract: 本发明提出了一种基于MS‑ALSTM的滚动轴承剩余寿命预测方法，包括如下步骤：S1、获得滚动轴承的全周期振动信号，提取振动信号的时域特征；S2、归一化处理后，经过主成分分析方法降维；S3、将降维后的综合指标进行离散小波分解，得到不同尺度的输入，得到训练集与测试集；S4、引入注意力机制，在原始LSTM单元的基础上构建ALSTM模型，输入训练集进行训练；S5、使用训练好的模型进行测试，得到输出结果，即实现剩余寿命预测。实验结果表明，本发明方法预测精度高，预测结果准确，误差小。
-
-
-
-
Search Results
5
records
(took 0.015 seconds)
