-
公开(公告)号：CN106053074B
公开(公告)日：2019-12-20
申请号：CN201610624400.9
申请日：2016-08-02
Applicant: 北京航空航天大学
IPC: G01M13/045 , G01H17/00
Abstract: 本发明公开了一种基于STFT和转动惯量熵的滚动轴承声音信号故障特征提取方法。常见的滚动轴承故障特征提取方法是基于滚动轴承振动信号的，然而对滚动轴承振动数据的采集对传感器的要求非常高，增加了设备成本，而智能手机作为日常生活的重要组成部分，其录音功能可对滚动轴承运行声音信号进行采集。本发明提出了基于声音信号短时傅里叶变换(STFT)和转动惯量熵的滚动轴承故障特征提取方法，该方法首先使用智能手机采集滚动轴承故障声音信号，然后对声音信号进行短时傅里叶分析，得到语谱图矩阵，接着获取矩阵的模值，然后计算语谱图的转动惯量熵。试验结果分析表明，该方法所获取的故障特征具有优良的分类特性，能很好的支持滚动轴承故障诊断工作。
-
公开(公告)号：CN107526853B
公开(公告)日：2018-09-21
申请号：CN201610456903.X
申请日：2016-06-22
Applicant: 北京航空航天大学
Abstract: 本发明公开了基于层叠卷积网络的滚动轴承故障模式识别方法及装置，涉及滚动轴承故障诊断领域，所述方法包括：对已知状态的滚动轴承的振动信号进行时频域特征提取；将所得到的已知状态的滚动轴承的时频域特征规整为符合CNN网络输入格式的特征图元；将所述特征图元输入至CNN网络，并通过在所述CNN网络进行前向自学习和基于梯度下降的反向传播处理，调整所述CNN网络的模型参数，得到训练完成的CNN网络；在识别实际滚动轴承故障模式时，以未知状态的滚动轴承的振动信号时频域特征为输入，利用训练完成的CNN网络逐层提取能够反映本征信息的高阶特征，再将逐层特征自学习的结果输入到顶层分类器中，实现滚动轴承在多工况和强噪声情况下的故障模式识别。
-
公开(公告)号：CN106301610A
公开(公告)日：2017-01-04
申请号：CN201610757171.8
申请日：2016-08-29
Applicant: 北京航空航天大学 , 电子信息系统复杂电磁环境效应国家重点实验室
IPC: H04B17/26
CPC classification number: H04B17/26
Abstract: 本发明公开了一种超外差接收机的自适应故障检测和诊断方法及装置，方法包括：将输入信号输入至超外差接收机，并由所述超外差接收机对所述输入信号进行处理；利用训练完成的一级GRNN观测器，对所述输入信号和所述超外差接收机前一时刻的输出信号进行处理，得到估计输出信号；根据所述估计输出信号和所述超外差接收机当前时刻的输出信号，得到残差；利用训练完成的二级GRNN观测器，对所述输入信号和所述残差进行处理，得到自适应阈值；根据所述残差和所述自适应阈值，确定所述超外差接收机是否发生故障。本发明能够检测超外差接收机是否发生故障，并能够诊断出故障类型。
-
公开(公告)号：CN105971901A
公开(公告)日：2016-09-28
申请号：CN201610286142.8
申请日：2016-05-03
Applicant: 北京航空航天大学
IPC: F04D15/00
CPC classification number: F04D15/0088 , F05D2260/80
Abstract: 本发明公开了一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法，该方法包括：(1)利用CEEMD将传感器所获得的离心泵振动信号分解成一系列IMF分类；(2)将IMF分类的样本熵作为信号的特征向量；(3)将CEEMD‑样本熵所得的特征向量作为随机森林分类器的输入进行故障诊断。本发明将CEEMD与样本熵用于离心泵振动信号的特征提取，一方面尽可能的避免了EMD分解出现的模态混叠及端点效应等现象，另一方面，特征提取较为方便简洁，计算量小，并对数据长度及噪声不敏感，因而适用性强。本发明将随机森林分类器用于离心泵的故障模式识别，避免了传统分类器过于依赖训练样本而出现过拟合的现象。尽可能的提高了分类准确率。
-
公开(公告)号：CN105911474A
公开(公告)日：2016-08-31
申请号：CN201610224993.X
申请日：2016-04-12
Applicant: 北京航空航天大学
IPC: G01R31/36
CPC classification number: G01R31/3679
Abstract: 本发明提出了一种基于几何特征提取方法和马氏距离相结合的质子交换膜燃料电池健康状态评估方法。该方法包括步骤为：首先，从原始的监测数据，包括电化学阻抗谱和极化曲线数据中提取相应运行状态下的几何特征；其次，计算某一运行状态下的几何特征和初始状态下的几何特征的马氏距离；最后，把所得的马氏距离结果进行归一化，得到不同状态下的质子交换膜燃料电池的健康状态。质子交换膜燃料电池是一种很有发展前途的能源装置，所以在质子交换膜燃料电池应用过程中对其进行健康状态评估研究是十分有意义的。采用真实数据验证本发明提出的方法，结果验证了该方法的有效性。
-
Patent Agency Ranking
公开(公告)号：CN106951669B
公开(公告)日：2019-01-22
申请号：CN201710356365.1
申请日：2017-05-19
Applicant: 北京航空航天大学
Abstract: 本发明公开了一种基于视觉认知的滚动轴承变工况故障诊断方法，涉及滚动轴承变工况故障诊断技术，所述方法包括：采用递归图技术将变工况下的滚动轴承振动信号转换为二维图像；利用加速鲁棒特征SURF算法，对所述二维图像进行特征提取，得到具有视觉不变性的高维故障特征向量；利用等距映射Isomap算法，对所述高维故障特征向量进行降维处理，得到低维稳定特征向量；利用奇异值分解SVD算法，提取所述低维稳定特征向量所构建特征矩阵的奇异值，形成最终特征向量；利用已训练的分类器，对所述最终特征向量进行故障分类，对变工况下的滚动轴承进行故障诊断。本发明为滚动轴承故障诊断提供了一种新的解决思路。
-
公开(公告)号：CN104914851B
公开(公告)日：2017-05-24
申请号：CN201510262962.9
申请日：2015-05-21
Applicant: 北京航空航天大学
IPC: G05B23/02
Abstract: 本发明公开了一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法，基于稀疏Dropout自动编码器与降噪自动编码器和Logistic回归的深度学习进行飞机旋转作动器驱动装置的自适应故障检测，采用基于多层神经网络的深度学习自主认知方法，通过在第一层使用稀疏Dropout自动编码器和第二、三层的层叠降噪自动编码器模型实现了原始数据的特征自学习，并将学习获得的数据特征输入至Logistic回归模型判断旋转作动器驱动装置的工作状态，通过加入自适应阈值故障观测器，使阈值随着系统的不同输入和系统的不同状态而发生变化，剔除非故障引起的残差。本发明能有效地应用于飞机旋转作动器驱动装置的故障诊断。
-
公开(公告)号：CN105134619B
公开(公告)日：2017-03-01
申请号：CN201510627570.8
申请日：2015-09-28
Applicant: 北京航空航天大学
IPC: F04D15/00
Abstract: 本发明公开了一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法，以提高离心泵中轴承故障、叶轮故障及其混合故障的特征可分性，实现各种状态的诊断和健康评估。首先，应用小波包变换将采集到的离心泵振动信号分解为8个小波分量；提取每个分量的小波能量作为故障特征，得到八维故障特征向量；然后，应用流形学习方法对此八维特征进行降维，获取更具可分性、更简约稳定的三维特征向量；最后，基于该特征向量，应用动态时间规整方法度量测试数据与训练数据之间的距离，从而确定当前的故障状态，实现轴承故障诊断；同时，该距离值也可反映当前状态的健康度，实现离心泵健康状态的评估，具有很好的实际工程应用价值。
-
公开(公告)号：CN105134619A
公开(公告)日：2015-12-09
申请号：CN201510627570.8
申请日：2015-09-28
Applicant: 北京航空航天大学
IPC: F04D15/00
Abstract: 本发明公开了一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法，以提高离心泵中轴承故障、叶轮故障及其混合故障的特征可分性，实现各种状态的诊断和健康评估。首先，应用小波包变换将采集到的离心泵振动信号分解为8个小波分量；提取每个分量的小波能量作为故障特征，得到八维故障特征向量；然后，应用流形学习方法对此八维特征进行降维，获取更具可分性、更简约稳定的三维特征向量；最后，基于该特征向量，应用动态时间规整方法度量测试数据与训练数据之间的距离，从而确定当前的故障状态，实现轴承故障诊断；同时，该距离值也可反映当前状态的健康度，实现离心泵健康状态的评估，具有很好的实际工程应用价值。
-
公开(公告)号：CN107643181B
公开(公告)日：2019-11-12
申请号：CN201610581598.7
申请日：2016-07-21
Applicant: 北京航空航天大学
IPC: G01M13/045 , G06K9/00
Abstract: 本发明公开了一种基于图像识别的滚动轴承变工况故障诊断方法，其包括：采用递归图技术将滚动轴承振动信号转换为二维图像；通过用SIFT算法从所述二维图像提取特征，得到多维故障特征向量；通过用KPCA方法对所述多维故障特征向量进行降维处理，得到约减后特征矩阵，并通过提取约减后特征矩阵的奇异值构建最终特征向量；通过用经过训练的PNN神经网络对所述最终特征向量进行故障分类。本发明采用凯斯西储大学的轴承试验数据进行案例验证，试验结果表明本发明所提出的方法是十分有效的。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.026 seconds)
