-
公开(公告)号：CN108553039B
公开(公告)日：2020-11-20
申请号：CN201810454385.7
申请日：2018-05-14
Applicant: 东南大学
Abstract: 本发明公开了一种多变式墙体清洁机器人，包括：机器人本体，四个摆动装置，所述摆动装置分别安置于所述机器人本体的四角，以所述机器人本体中心线成准对称分布，每个所述摆动装置的外围设置有碰撞感应装置，每个摆动装置的外角处安装测距传感器，每个所述摆动装置可以根据所述机器人本体与清洁面的间距上下移动；本发明所述的机器人清洁效率高，运转灵活，操作简便，能连续清洁曲面，夹角和带有缝隙的光滑墙体。
-
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。
-
公开(公告)号：CN110849626A
公开(公告)日：2020-02-28
申请号：CN201911131867.X
申请日：2019-11-18
Applicant: 东南大学
IPC: G01M13/045 , G06N3/00
Abstract: 本发明公开了一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，包括步骤如下：首先,对滚动轴承处进行振动信号的采集与处理，并将所采集的振动信号转化为频域信号;然后，将所转化的频谱信号分为训练样本集与测试样本集；接着将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习，以挖掘潜藏在数据内部具有判别性的多层敏感特征；最后，将所提取的多层敏感特征输入布谷鸟搜索算法优化的无监督极限学习机进行分类器的训练；再将测试样本集输入到训练好的故障诊断系统，进行无监督的故障状态分离与诊断。本发明简单易行，可以摆脱传统深度学习故障诊断系统在分类阶段是有监督且训练效率低的缺陷。
-
公开(公告)号：CN110132554B
公开(公告)日：2020-10-09
申请号：CN201910308770.5
申请日：2019-04-17
Applicant: 东南大学
IPC: G01M13/00 , G01M13/028 , G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种深度拉普拉斯自编码的旋转机械故障诊断方法，包括步骤如下：1、在旋转机械的关键部件采集振动信号；2、将所采集的振动信号转化为频谱信号，并分为测试样本子集与训练样本子集；3、将训练样本输入到拉普拉斯自编码模型中进行预训练,用有监督学习算法进一步调整预训练后的拉普拉斯自编码模型，并根据拉普拉斯自编码模型中的损失函数，得到拉普拉斯自编码模型的参数；4、将测试样本输入到训练完成的深度拉普拉斯自编码模型，得到多层敏感的故障特征；5、将步骤4得到的故障特征输入到分类器中进行故障分类与诊断，实现旋转机械设备的故障诊断。本发明提高不平衡数据的故障诊断精度，有效的实现不平衡数据的分类与诊断。
-
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：CN111695209B
公开(公告)日：2022-11-15
申请号：CN202010401773.6
申请日：2020-05-13
Applicant: 东南大学
IPC: G06F30/17 , G06F30/27 , G06N3/04 , G06N3/08 , G06N20/00 , G01M13/00 , G01M13/045 , G06F119/04
Abstract: 本发明公开了元深度学习驱动的旋转机械小样本健康评估方法，具体步骤如下：首先对旋转机械预处理后的振动信号提取时频图及时、频域特征作为退化特征量；接着进一步通过无监督域自适应方法提取不同域间可迁移退化指标；在此基础上划分不同子任务并对卷积网络与循环网络进行基于梯度反向传递的参数求解，构建两种不同基础模型的元深度学习预测方法实现不同退化指标的小样本评估；最后聚合不同学习子任务实现跨任务间的模型参数求解、寻优，为推广、泛化至未知数据集提供元深度学习评估代理模型。该方法首次将元学习思想引入旋转机械健康评估、管理领域，极大削弱了工况差异以及样本稀少对传统机器学习模型泛化能力带来的冲击。
-
公开(公告)号：CN110849626B
公开(公告)日：2022-06-07
申请号：CN201911131867.X
申请日：2019-11-18
Applicant: 东南大学
IPC: G01M13/045 , G06N3/00
Abstract: 本发明公开了一种自适应稀疏压缩自编码的滚动轴承故障诊断系统，包括步骤如下：首先,对滚动轴承处进行振动信号的采集与处理，并将所采集的振动信号转化为频域信号;然后，将所转化的频谱信号分为训练样本集与测试样本集；接着将训练样本输入到所构建的自适应稀疏压缩自编码中进行特征学习，以挖掘潜藏在数据内部具有判别性的多层敏感特征；最后，将所提取的多层敏感特征输入布谷鸟搜索算法优化的无监督极限学习机进行分类器的训练；再将测试样本集输入到训练好的故障诊断系统，进行无监督的故障状态分离与诊断。本发明简单易行，可以摆脱传统深度学习故障诊断系统在分类阶段是有监督且训练效率低的缺陷。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.016 seconds)
