-
公开(公告)号：CN119494530A
公开(公告)日：2025-02-21
申请号：CN202411477076.3
申请日：2024-10-22
Applicant: 华中科技大学
Abstract: 本发明属于风电装备智能运维相关技术领域，其公开了一种风机传动链人机协同健康评估方法，包括：模拟风机传动链的故障模式，获取不同故障模式下的振动信号，训练所构建的神经网络模型；获取关于各故障模式风险程度的BtO以及OtW的评价集；构建贝叶斯层次化模型，将故障模式的风险权重以及评价集转化为概率分布形式，基于贝叶斯层次化模型确定各故障模式融合了评价集中风险意见的聚合风险权重；利用训练好的神经网络模型评估风机传动链的故障状态隶属度，融合故障状态隶属度与聚合风险权重计算健康度指标，评估风机传动链健康状态。本发明结合监测大数据与运维经验知识，能够实现风机传动链健康状态的精准量化评估。
-
Patent Agency Ranking
公开(公告)号：CN115774955A
公开(公告)日：2023-03-10
申请号：CN202211484094.5
申请日：2022-11-24
Applicant: 华中科技大学
IPC: G06F30/27 , G06F18/2131 , G06F18/24 , G06F18/2415 , G06F18/2431 , G06N3/047 , G06N3/08 , G06F111/08 , G06F119/14
Abstract: 本发明属于高端装备智能运维相关技术领域，并公开了一种风电齿轮箱健康度智能评估方法。该方法包括：S1采集风电齿轮产生的振动信号，构建MsXGB模型并评估设备状态隶属度；S2组建风电齿轮箱故障影响评价委员会，委员会中的专家对故障对设备的影响程度进行评价，将该评价转化为毕达哥拉斯模糊评价集，量化委员会中专家的权威等级，构建故障影响模糊评价系统，确定每个故障的影响权重；S3构建设备健康度指标关系式，计算设备的健康度指标，以此划分相应的健康状态和处理，以此实现风电齿轮箱健康度的智能评估。通过本发明，更细颗粒度地度量不同故障状况对设备行为的影响，继而能精确反映设备当前健康状态，提高维护效率，灵活性较好。
-
公开(公告)号：CN115729212A
公开(公告)日：2023-03-03
申请号：CN202211446434.5
申请日：2022-11-18
Applicant: 华中科技大学
IPC: G05B23/02
Abstract: 本发明公开了一种柱塞泵故障智能诊断方法、诊断系统、计算机设备及介质，属于柱塞泵故障诊断领域，方法通过训练初始的曲元成分分析模型得到基准曲元成分分析模型；Q个传感器的曲元成分分析模型均共享基准曲元成分分析模型的拓扑结构，并采用精炼变换提升其拓扑质量；采用非线性插值操作对Q个传感器的曲元成分分析模型进行迁移变换，得到所有传感器的优化的曲元成分分析模型；利用优化的曲元成分分析模型输出的曲元成分映射结果训练Filter SAMME模型，得到训练好的Filter SAMME模型，用以柱塞泵故障智能诊断。本发明解决了现有柱塞泵故障诊断方法无法在变工况及多传感器监测数据下准确诊断故障的技术问题。
-
公开(公告)号：CN119669854A
公开(公告)日：2025-03-21
申请号：CN202411736787.8
申请日：2024-11-29
Applicant: 华中科技大学
IPC: G06F18/241 , G06F18/213 , G06F18/23 , G06N3/0455 , G06N3/0464 , G06N3/044
Abstract: 本发明属于故障诊断相关技术领域，其公开了一种船舶推进轴系智能故障诊断方法及系统，方法包括：将源域数据和目标域数据分别转化为二维时频图；利用变压器布朗协方差模块提取代表性高维特征，并将其转换为布朗距离协方差(BDC)特征矩阵；接着，BDC特征矩阵被输入到原型对比对齐模块，分别对齐BDC特征矩阵的域内分布和跨域分布；利用分类器对源域和目标域数据进行预测，基于四种损失函数对网络进行训练，利用训练好的变压器故障诊断网络对目标域数据进行船舶推进轴系故障诊断。本发明获取的训练好的网络能够在少量标注数据下对船舶推进轴系进行变工况故障诊断，大大减少工业故障诊断中数据标注的任务量，解决变工况难题。
-
公开(公告)号：CN115729212B
公开(公告)日：2024-09-20
申请号：CN202211446434.5
申请日：2022-11-18
Applicant: 华中科技大学
IPC: G05B23/02
Abstract: 本发明公开了一种柱塞泵故障智能诊断方法、诊断系统、计算机设备及介质，属于柱塞泵故障诊断领域，方法通过训练初始的曲元成分分析模型得到基准曲元成分分析模型；Q个传感器的曲元成分分析模型均共享基准曲元成分分析模型的拓扑结构，并采用精炼变换提升其拓扑质量；采用非线性插值操作对Q个传感器的曲元成分分析模型进行迁移变换，得到所有传感器的优化的曲元成分分析模型；利用优化的曲元成分分析模型输出的曲元成分映射结果训练Filter SAMME模型，得到训练好的Filter SAMME模型，用以柱塞泵故障智能诊断。本发明解决了现有柱塞泵故障诊断方法无法在变工况及多传感器监测数据下准确诊断故障的技术问题。
-
公开(公告)号：CN117807523A
公开(公告)日：2024-04-02
申请号：CN202311780950.6
申请日：2023-12-22
Applicant: 华中科技大学
IPC: G06F18/2415 , G01M13/021 , G01M13/028 , F03D17/00 , G06F18/243 , G06F18/214 , G06F18/2131 , G06F18/25 , G06N5/022 , G06N5/01 , G06N20/20
Abstract: 本发明属于机械健康状态监测与故障诊断领域，并具体公开了一种基于零样本学习的风电齿轮箱复合故障诊断方法及系统，其包括以下步骤：以单一故障的故障类型作为语义属性构建语义知识库，基于语义知识库构建表征所有故障类型的属性向量；获取风电齿轮箱的单一故障数据，提取对应的故障特征向量，并将故障特征向量与属性向量对应，形成单一故障数据集；通过单一故障数据集对基于XGB的贝叶斯模型进行训练，得到故障诊断模型；获取风电齿轮箱的复合故障数据，提取对应的故障特征向量；将故障特征向量与复合故障属性向量集输入故障诊断模型中，得到复合故障类型。本发明能够在仅有单一故障样本的条件下实现对风电齿轮箱的复合故障诊断。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
