-
公开(公告)号：CN106338385B
公开(公告)日：2019-03-19
申请号：CN201610730284.9
申请日：2016-08-25
Applicant: 东南大学
IPC: G01M13/00
Abstract: 本发明公开了一种基于奇异谱分解的旋转机械故障诊断方法，包括以下步骤：步骤1，在旋转机械的关键部件附近安装传感器进行测量，采集测量信号作为源信号；步骤2，利用奇异谱分解对源信号进行分解，得到若干个瞬时频率具有物理意义的奇异谱分量；步骤3，根据特征能量因子最大准则挑选蕴含丰富故障特征信息的分解分量作为主奇异谱分量；步骤4，对主奇异谱分量进行希尔伯特解调，获得相应的包络谱；步骤5，从包络谱中观察故障特征频率处是否存在明显峰值，从而实现旋转机械故障类型的准确判别。本发明简单易行，较其他现有技术相比能够实现更为精确的故障诊断。
-
公开(公告)号：CN106338385A
公开(公告)日：2017-01-18
申请号：CN201610730284.9
申请日：2016-08-25
Applicant: 东南大学
IPC: G01M13/00
Abstract: 本发明公开了一种基于奇异谱分解的旋转机械故障诊断方法，包括以下步骤：步骤1，在旋转机械的关键部件附近安装传感器进行测量，采集测量信号作为源信号；步骤2，利用奇异谱分解对源信号进行分解，得到若干个瞬时频率具有物理意义的奇异谱分量；步骤3，根据特征能量因子最大准则挑选蕴含丰富故障特征信息的分解分量作为主奇异谱分量；步骤4，对主奇异谱分量进行希尔伯特解调，获得相应的包络谱；步骤5，从包络谱中观察故障特征频率处是否存在明显峰值，从而实现旋转机械故障类型的准确判别。本发明简单易行，较其他现有技术相比能够实现更为精确的故障诊断。
-
Patent Agency Ranking
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：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：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：CN109297712A
公开(公告)日：2019-02-01
申请号：CN201811302014.3
申请日：2018-11-02
Applicant: 东南大学
IPC: G01M13/045 , G06K9/00
Abstract: 本发明公开了一种基于最优尺度形态顶帽乘积滤波的轴承故障诊断方法，在轴承附近安装加速度传感器采集轴承振动信号，确定结构元素尺度的初始范围；在每个结构元素尺度处对轴承振动信号进行形态顶帽乘积滤波，获得多个尺度下的形态学滤波结果；计算每个尺度下形态学滤波结果的三阶累计量对角切片和对角切片谱，获得多个尺度下的三阶累计量对角切片和对角切片谱；计算每个尺度下对角切片谱的故障特征比，根据最大故障特征比准则确定最优尺度下的对角切片谱；从最优尺度对角切片谱中提取轴承故障特征信息，实现轴承故障类型的准确判别。本发明简单易行，克服了传统多尺度形态学分析的缺点，能够提高轴承故障诊断精度。
-
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。
-
-
-
-
-
-
Search Results
7
records
(took 0.014 seconds)
