-
Patent Agency Ranking
公开(公告)号：CN120030302A
公开(公告)日：2025-05-23
申请号：CN202510110517.4
申请日：2025-01-23
Applicant: 兰州理工大学
IPC: G06F18/20 , G06F18/25 , G06N3/045 , G06N3/0464 , G01M13/045 , G06F123/02
Abstract: 本发明公开了一种多变量轴承剩余寿命预测方法及系统，涉及智能预测技术领域，具体步骤为：采集旋转机械的多个运行状态数据；对多个所述运行状态数据进行融合，获得二维时序数据；将所述二维时序数据输入训练好的寿命预测模型中，输出所述旋转机械的剩余使用寿命；其中，所述寿命预测模型基于双向因果卷积胶囊网络构建，包括并行连接的正向支路和反向支路，所述正向支路上包括依次连接的TCN模块、多尺度注意力机制和胶囊网络；所述反向支路上包括依次连接的所述TCN模块、自注意力机制和胶囊网络；本发明通过引入双向时间卷积胶囊网络融合注意力机制，能够更准确地捕捉滚动轴承在不同工况下的多变量振动信号特征提高了RUL预测精度。
-
公开(公告)号：CN119470755A
公开(公告)日：2025-02-18
申请号：CN202411488524.X
申请日：2024-10-24
Applicant: 兰州理工大学
Abstract: 本发明公开了一种应用于气相色谱分析的数据处理方法，包括以下步骤：获取气相色谱分析仪中的样品信号；采用优化后的ICEEMDA算法将样品信号分解为多个本征模态函数IMF；其中，优化后的ICEEMDA算法通过约束惩罚水蛭优化算法进行参数获取；构建综合评价指标选择相应的本征模态函数IMF进行信号重构，获得降噪后的重构信号；通过峰值检测算法识别重构信号中的波峰，并使用高斯拟合提取波峰的相关参数；基于波峰的相关参数生成对应的分析报告。该方法通过优化ICEEMDA算法参数、采用综合评价指标筛选本征模态函数以及精细化的波峰检测步骤，提升了气相色谱分析领域中复杂样品信号处理的效率、噪声抑制能力和定量定性分析的准确性。
-
公开(公告)号：CN119442026A
公开(公告)日：2025-02-14
申请号：CN202411499202.5
申请日：2024-10-25
Applicant: 兰州理工大学
Inventor： 赵小强 , 安贵财 , 安学军 , 梁浩鹏 , 刘凯 , 张亚洲 , 柴靖轩 , 郭海科 , 姚青磊 , 李森 , 徐珂 , 柳勇勇 , 史旭斌 , 杨健智 , 齐祥德 , 于光博 , 毛高磊 , 路帅 , 郭婷婷 , 周晓琴 , 蔡世博
IPC: G06F18/2415 , G01M13/045 , G06F18/2431 , G06F18/213 , G06F18/214 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多通道自适应融合的滚动轴承故障诊断方法及系统，方法包括：获取一维振动加速度信号并进行归一化，将其转换为二维灰度图；将二维灰度图输入至卷积神经网络模型中进行处理，具体包括：多尺度特征提取模块提取二维灰度图的特征信息并进行自适应加权多通道信息的重要性权重，输出第一多尺度特征图；双注意力空洞卷积模块提取第一多尺度特征图的空间位置和通道信息，输出第二特征图；残差密集模块通过残差连接以及密集连接对第二特征图进行深度特征提取，输出滚动轴承故障诊断分类结果。本发明能够解决滚动轴承由于噪声干扰强和负载变化大导致模型故障诊断效果低和泛化能力差的问题。
-
公开(公告)号：CN119337308A
公开(公告)日：2025-01-21
申请号：CN202411393951.X
申请日：2024-10-08
Applicant: 兰州理工大学
IPC: G06F18/25 , G06F18/24 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/44 , G06V10/764 , G06V10/82 , G01M13/04 , G01M13/045
Abstract: 本发明公开了一种小样本下基于MSDFM‑ASTRSB的滚动轴承故障诊断方法，该方法包括，利用多个传感器采集滚动轴承在不同故障状态下的一维振动信号；通过连续小波变换将单一传感器单一故障状态下一维振动信号转化为对应的二维时频图，并将多个传感器的二维时频图进行融合，得到单一故障状态下的多传感器数据融合图像，进而得到所有故障状态下多传感器数据融合图像并作为数据集；基于非对称软阈值残差收缩块和位置交互自注意力机制构建MSDFM‑ASTRSB滚动轴承故障诊断模型,并以数据集中的训练集对故障诊断模型进行训练；利用训练好的故障诊断模型完成滚动轴承的故障诊断。本发明解决了训练样本短缺以数据单一的缺陷，并提高了滚动轴承故障诊断的准确性。
-
公开(公告)号：CN119293585A
公开(公告)日：2025-01-10
申请号：CN202411354938.3
申请日：2024-09-27
Applicant: 兰州理工大学
Inventor： 赵小强 , 李森 , 梁浩鹏 , 张亚洲 , 刘晶晶 , 刘凯 , 柴靖轩 , 强睿儒 , 郭海科 , 安贵财 , 姚青磊 , 李玉霞 , 徐珂 , 杨健智 , 史旭斌 , 于光博 , 齐祥德 , 毛高磊 , 郭婷婷 , 孙雅莉
IPC: G06F18/241 , G01M13/045 , G06F18/213 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于IDSP和反向DSC级联残差的轴承故障诊断方法，包括：获取轴承操作台来自不同位置传感器的一维振动信号，进行预处理，划分为训练和验证样本集；利用训练样本集对故障诊断模型进行训练，利用验证样本集进行正确率验证，获得最优模型；故障诊断模型由包括：IDSP浅层特征提取模块、Inception深层特征提取模块和反向DSC级联残差网络模块；将需要诊断故障的轴承一维振动信号预处理后，输入最优模型，获得对应的故障诊断结果。该方法通过多尺度特征提取、反向DSC级联残差网络的优化，使轴承故障诊断模型具备更高的特征提取能力、较强的抗噪性和泛化能力，确保在变工况和变噪声条件下也能保持高诊断准确率；同时还具备较少的参数量和较快的诊断速度。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
