公开(公告)号：CN110307969A

公开(公告)日：2019-10-08

申请号：CN201910432814.5

申请日：2019-05-23

Applicant: 哈尔滨理工大学

Inventor： 葛江华 ,  蒲东 ,  王亚萍

IPC: G01M13/021 ,  G01M13/028 ,  G06F17/15 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明涉及函数型数据拟合与卷积神经网络的行星齿轮故障预测研究。对安装于行星齿轮齿圈上的加速度传感器设置采样时间和频率，确定传感器通道个数，采集行星齿轮不同损伤状态下的振动信号，进行降噪处理，作为函数化转换的输入。通过观测离散数据选定基函数，建立基函数公式，利用基函数公式对离散数据进行拟合，求得函数系数，以误差参数为指标，对函数系数进行筛选，将剩下的函数系数组成预测模型的训练集。针对行星齿轮采用卷积神经网络的预测方法，建立卷积神经网络预测模型，将由函数系数组成的训练集输入进行预测得出结果，通过与传统浅层算法BP神经网络预测模型对比试验分析验证卷积神经网络预测模型的优势。通过以上方法可以进行行星齿轮故障的精确预测。

公开(公告)号：CN110807271A

公开(公告)日：2020-02-18

申请号：CN201911109736.1

申请日：2019-11-14

Applicant: 哈尔滨理工大学

Inventor： 葛江华 ,  蒲东 ,  王亚萍

IPC: G06F30/20

Abstract: 本发明涉及一种基于SVD、EI和逐步消减法结合的高速列车轴箱加速度传感器布置方法；首先对高速列车轴承轴箱进行预应力模态分析，获取模态应变云图，确定分析所用模态阶数，提取模态振型矩阵；又通过以模态振型矩阵为输入，以TMAC矩阵为评判指标，使用SVD、EI和逐步消减法结合的方法分析出最优传感器布置方案；最后通过本发发明方法所得布置方案与传统TMAC的EI逐步削减法所得布置方案进行分析对比，验证本发明方法的优势；通过以上方式可以进行高速列车轴承轴箱加速度传感器的精确布置。