-
公开(公告)号：CN103714255A
公开(公告)日：2014-04-09
申请号：CN201310744101.5
申请日：2013-12-30
Applicant: 北京信息科技大学
Inventor： 马洁
IPC: G06F19/00
Abstract: 本发明涉及一种基于非线性故障重构的故障预测方法，其包括如下步骤：1）利用KPCA模型对旋转机械系统运行时监测的过程数据进行离线非线性建模，并进行异常检测，提取故障信息，其中KPCA模型为核主元分析模型；2）通过步骤1）中的KPCA模型和异常检测实现对故障程度进行定量描述，并采用最优化方法求解故障重构下的故障估计；3）用多层递阶的方法对估计出的故障幅值f的发展趋势完成预测。本发明能有效提高故障预报效率，减少误报和漏报率，为进一步研究复杂机械系统的预测维护技术奠定基础。本发明可以广泛应用在石化、治金、煤炭等诸多企业的大型机电设备的在线监控系统中。
-
公开(公告)号：CN102539192A
公开(公告)日：2012-07-04
申请号：CN201210019557.0
申请日：2012-01-20
Applicant: 北京信息科技大学
Abstract: 本发明公开了一种基于ICA重构的故障预测方法，包括：步骤1，计算分离矩阵W；步骤2，计算实时数据xnew(k)统计量值I2(k)、SPE(k)或Wd是分离矩阵W前d行构成的矩阵，We是分离矩阵W除前d行之外的行构成的矩阵，Bd＝(WdQ-1)T，Be＝(WeQ-1)T，Q是白化矩阵；步骤3，计算I2(k)、SPE(k)或的核密度，并根据控制限检测故障。本发明解决了传统烟机预测方法无法利用多维有效数据的问题，考虑了多通道的振动数据，能够直接预测故障；相比于PCA重构方法，本发明的预测方法提高了预测精度。
-
公开(公告)号：CN113627375A
公开(公告)日：2021-11-09
申请号：CN202110945765.2
申请日：2021-08-16
Applicant: 北京信息科技大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/06 , G06N3/08 , G01M13/028 , G01M13/025 , G01M13/021
Abstract: 本发明涉及一种行星齿轮故障诊断方法、系统、存储介质及计算设备，其包括：获取行星齿轮的原始振动信号，对所述原始振动信号分解为不同的IMF分量，并选取两个相关系数较大的IMF分量进行重构；利用分数阶小波变换分别对所述重构信号进行分数阶小波域的滤波；利用小波包提取滤波后的重构信号的能量值，并计算归一化能量值，将归一化能量值转换为二维归一化能量特征矩阵；根据所述二维归一化能量特征矩阵中的二维特征输入到二维卷积神经网络模型中进行训练，实现对行星齿轮故障的识别。本发明能实现对齿轮不同工况下不同故障的准确识别提取，可以在机械故障诊断技术领域中广泛应用。
-
公开(公告)号：CN103824137B
公开(公告)日：2016-08-17
申请号：CN201410103676.3
申请日：2014-03-20
Applicant: 北京信息科技大学
Inventor： 马洁
IPC: G06Q10/04
Abstract: 本发明涉及一种复杂机械设备多工况故障预测方法，其步骤：1）针对多工况过程建立多PCA模型，对每个PCA模型计算出相应的检测指标T2统计量和SPE；2）对多PCA模型中的各个T2统计量和SPE两检测指标进行优化，并对机械设备进行故障检测，检测得到过渡过程机械设备的故障数据；3）对优化后的两检测指标T2统计量和SPE检测到的过渡过程机械设备故障数据进行故障重构，得到使重构后SPE最小化的幅值估计值；4）对过渡过程中不同工况下的同一故障重构后的幅值估计值进行一致性幅值估计；5）根据进行一致性幅值估计后的幅值估计值利用支持向量机预测模型对故障幅值进行趋势预测。本发明可以广泛在机电设备故障预测中应用。
-
-
Patent Agency Ranking
公开(公告)号：CN103824137A
公开(公告)日：2014-05-28
申请号：CN201410103676.3
申请日：2014-03-20
Applicant: 北京信息科技大学
Inventor： 马洁
IPC: G06Q10/04
Abstract: 本发明涉及一种复杂机械设备多工况故障预测方法，其步骤：1）针对多工况过程建立多PCA模型，对每个PCA模型计算出相应的检测指标T2统计量和SPE；2）对多PCA模型中的各个T2统计量和SPE两检测指标进行优化，并对机械设备进行故障检测，检测得到过渡过程机械设备的故障数据；3）对优化后的两检测指标T2统计量和SPE检测到的过渡过程机械设备故障数据进行故障重构，得到使重构后SPE最小化的幅值估计值；4）对过渡过程中不同工况下的同一故障重构后的幅值估计值进行一致性幅值估计；5）根据进行一致性幅值估计后的幅值估计值利用支持向量机预测模型对故障幅值进行趋势预测。本发明可以广泛在机电设备故障预测中应用。
-
公开(公告)号：CN113639999A
公开(公告)日：2021-11-12
申请号：CN202110938567.3
申请日：2021-08-16
Applicant: 北京信息科技大学
IPC: G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种变转速下滚动轴承的故障诊断方法、系统、介质及设备，其包括：获取故障实验台的变转速下轴承的原始振动信号；利用曲线特征分段的多阶分数阶傅里叶变换对所述原始振动信号进行滤波，提取出故障特征频率，并验证所述提取出的故障特征频率是否准确；所述幅值特征获取模块，若所述提取出的故障特征频率准确，对所述滤波后的振动信号进行FFT，提取其频率的幅值特征；根据所述幅值特征进行故障特征分类识别，实现变转速下故障特征诊断。本发明能有效地滤除噪声，准确提取出故障特征频率。本发明可以广泛在机械故障诊断技术领域中应用。
-
公开(公告)号：CN113627539A
公开(公告)日：2021-11-09
申请号：CN202110927928.4
申请日：2021-08-12
Applicant: 北京信息科技大学
IPC: G06K9/62 , G06F17/13 , G06F17/15 , G01M13/045
Abstract: 本发明涉及一种滚动轴承复合故障诊断方法、系统、存储介质及计算设备，其包括将预先采集到的不同轴承状态原始振动信号作为样本数据，将样本数据利用ALIF分解，每一个样本都可以得到若干个IMF分量和一个残余分量；从每个样本中选择包含主要故障信息的前K个IMF分量，计算出各分量的能量特征E和样本熵SampEn，并将其融合构建成一个维度为2K的故障特征向量；将所有样本按预先设定比例划分为训练样本和测试样本，对KELM智能诊断模型进行初始化；对每个样本的故障特征向量进行归一化处理；让KELM智能诊断模型通过训练样本的故障特征向量集进行不断学习后，再对测试样本的故障特征向量集进行测试，最终识别出不同轴承故障类型并输出结果。
-
公开(公告)号：CN102539192B
公开(公告)日：2015-06-17
申请号：CN201210019557.0
申请日：2012-01-20
Applicant: 北京信息科技大学
Abstract: 本发明公开了一种基于ICA重构的故障预测方法，包括：步骤1，计算分离矩阵W；步骤2，计算实时数据xnew(k)统计量值I2(k)、SPE(k)或Wd是分离矩阵W前d行构成的矩阵，We是分离矩阵W除前d行之外的行构成的矩阵，Bd＝(WdQ-1)T，Be＝(WeQ-1)T，Q是白化矩阵；步骤3，计算I2(k)、SPE(k)或的核密度，并根据控制限检测故障。本发明解决了传统烟机预测方法无法利用多维有效数据的问题，考虑了多通道的振动数据，能够直接预测故障；相比于PCA重构方法，本发明的预测方法提高了预测精度。
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.028 seconds)
