-
公开(公告)号：CN114638251B
公开(公告)日：2025-04-08
申请号：CN202210093603.5
申请日：2022-01-26
Applicant: 大连理工大学
IPC: G06F18/241 , G06F18/213 , G01M13/045
Abstract: 本发明属于机械故障诊断与信号处理领域，提出了一种基于RCMRDE与JMIM特征选择的轴承故障诊断方法，步骤如下：利用加速度传感器采集滚动轴承加速度信号；将原始振动信号进行VMD分解；计算原始信号和分解后每个分量信号的RCMRDE值，作为原始故障特征集；采用JMIM特征选择算法对原始故障特征集进行特征选择，选择能够准确分类的敏感特征，构造低维故障特征集；根据选择的敏感分量，训练RF分类器，得到训练好的RF模型；将测试样本敏感故障特征集输入训练好的RF分类器，诊断得到故障类型。本发明克服了多尺度散布熵存在的不足，提高了故障特征的稳定性、噪声鲁棒性和信号区分能力，能够有效诊断滚动轴承不同的状态类型。
-
公开(公告)号：CN119378382A
公开(公告)日：2025-01-28
申请号：CN202411476721.X
申请日：2024-10-22
Applicant: 大连理工大学
IPC: G06F30/27 , G06N3/0464 , G06N3/08 , G06F119/04 , G06F119/02
Abstract: 本发明属于电子元器件剩余使用寿命预测技术领域，涉及一种神经网络与随机过程结合的MOSFET器件剩余使用寿命预测方法。本发明采用样本交互卷积网络有效地学习历史数据的退化趋势，并预测目标设备的长期退化趋势。采用具有测量误差和长期依赖特性的非线性分形布朗运动随机退化模型对退化状态进行更新。将退化实测值与预测值相结合，基于非线性分形布朗运动构建状态空间模型；采用基于卡尔曼滤波算法、期望最大化算法和最大似然估计算法同步更新参数的状态参数联合估计方法。本发明还可以推广到锂电池等不同设备的RUL预测，为电子产品的智能运维与维修决策提供理论依据和技术支撑。本发明的技术应对降低能源消耗与运行成本，具有重要价值。
-
公开(公告)号：CN119323966A
公开(公告)日：2025-01-17
申请号：CN202411436139.0
申请日：2024-10-15
Applicant: 大连理工大学
IPC: G10L21/0216 , G10L21/0224 , G10L21/0232 , G10L21/0316 , G10L25/27 , G06F18/15 , G06F18/214 , G06F17/16 , G06F17/11
Abstract: 本发明公开了一种基于差异时频模态分解的带内噪声去除方法。步骤如下：采集参考信号xr(t)和混合信号xm(t)，计算二者的归一化时频幅值谱。基于大余量凸优化技术获得最优差异时频谱。以参考信号的归一化时频幅值谱和混合信号的归一化时频幅值谱为样本，采用大余量凸优化技术得到最优差异时频幅值谱。在最优差异时频谱中使用阈值自适应技术去识别不同模态的时频位置；根据时频位置，将混合信号中的时频谱自适应的分解为敏感分量、参考分量和噪声分量的时频谱。利用时频逆变换技术对相应的时频谱进行变换，得到相应的敏感分量、参考分量和噪声分量。本发明从时频的角度进行降噪分析，所得的最优差异权值矩阵具有物理意义，更突出了与敏感分量相关的特征。
-
公开(公告)号：CN118981948A
公开(公告)日：2024-11-19
申请号：CN202411041651.5
申请日：2024-07-31
Applicant: 本钢板材股份有限公司 , 大连理工大学
IPC: G06F30/27 , G06F30/17 , G06N3/047 , G06N3/0464 , G06N3/098 , G06F119/04
Abstract: 本发明提供了一种基于数模联动的机器设备寿命预测方法，包括如下步骤：S1、通过振动传感器采集目标工况下的设备振动信号，由设备系统得到工况参数，并通过直接测量法得到刀具磨损量作为剩余寿命标签；S2、提取设备振动信号的关键特征；S3、选取相关系数绝对值大于额定值的特征形成特征集；S4、输出对剩余寿命的预测值；S5、构建退化或失效的机理模型，从机理层面描述退化过程；S6、得到在一定工况下随运行时间变化的机理模型；S7、输出最终寿命预测结果。本发明构建的模型能够更准确地对剩余寿命进行预测，综合了机理模型和数据驱动方法的优点，既保持了可解释性也保证了对整体退化趋势的把握。
-
公开(公告)号：CN114358080B
公开(公告)日：2024-11-19
申请号：CN202210003381.3
申请日：2022-01-04
Applicant: 大连理工大学
IPC: G06F18/211 , G06F18/214 , G01M13/045 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/0464 , G06N3/084
Abstract: 一种基于生成对抗网络的轴承振动监测特征阈值自学习方法，步骤如下：获取轴承振动加速度信号；对加速度信号进行去均值和分割，得到同一工况下的众多振动信号样本集；采用卷积池化层和全连接层构建自学习神经网络模型的判别器，采用反卷积层构建自学习样本生成器，利用振动信号样本集训练自学习神经网络模型；利用训练好的自学习神经网络模型样本生成器生成振动信号样本进行特征值计算；将特征值乘以一定倍数定义为特征阈值，提供设备监测使用。本方法避免人为设置特征阈值，能自动根据设备运行规律给出轴承振动信号特征阈值的动态调整，同时在轴承运行多工况背景下，该方法能给出对应的特征阈值，使得轴承振动监测更加智能化。
-
Patent Agency Ranking
公开(公告)号：CN118111701A
公开(公告)日：2024-05-31
申请号：CN202410234180.3
申请日：2024-03-01
Applicant: 大连理工大学
IPC: G01M13/021 , G01M13/028
Abstract: 本发明公开了一种齿轮箱振动信号中随机脉冲干扰检测和抑制方法，包括基于长短时间窗特征比算法的随机脉冲干扰边界检测方法和基于中值滤波算法的随机脉冲干扰抑制方法；采用方差特征描述齿轮箱振动信号有效信息与随机脉冲干扰的数据分布差异性，基于长短时间窗特征比算法和检测阈值自适应动态确定方法对随机脉冲干扰边界进行检测；进一步，基于中值滤波器长度参数的确定准则和中值滤波算法对检测到的随机脉冲干扰进行抑制，并获得随机脉冲干扰中包含的有效信息；最终将提取的有效信息对原始振动信号进行重构，消除了随机脉冲干扰。本发明能够有效提高以预警参数为主导的工业设备健康状态监测准确性。
-
公开(公告)号：CN114487104B
公开(公告)日：2024-02-02
申请号：CN202210036047.8
申请日：2022-01-13
Applicant: 大连锅炉压力容器检验检测研究院有限公司 , 大连理工大学
Abstract: 本发明公开一种基于优化变分模态相关系数对起重设备损伤的实时监测方法，首先将所获取的声发射信号按照起重设备的工况分为静载阶段、吊钩起落阶段、小车运行阶段和大车运行阶段，取吊钩起落阶段的声发射信号，运用新的小波阈值函数降噪的方法进行降噪，降低了起重设备声发射信号中的干扰并提高了信号的信噪比，同时本发明提出了优化变分模态分解方法对降噪后的声发射信号进行了分解，进而计算叠加后的模态分量与原始数据的相关系数，当相关系数达到起重设备裂纹的临界报警点时报警。实现对起重设备损伤的实时监测，具有适应性强、鲁棒性较好的特点。
-
公开(公告)号：CN117272750A
公开(公告)日：2023-12-22
申请号：CN202311291865.3
申请日：2023-10-08
Applicant: 大连理工大学
IPC: G06F30/23 , G06F119/14
Abstract: 本发明公开一种基于数字孪生模型的颤振预测方法，属于智能制造与加工技术领域，包括如下几个步骤：根据待加工工件的特征，将整体工件分为恒定工件与移除材料工件两个子结构部分，其中，对恒定工件的子结构使用自由界面法进行分析，对移除材料工件的子结构使用有限元方法进行分析，按照界面协调条件，耦合混合坐标空间中的两个子结构模型，获得薄壁构件整体的自由度降阶模型与模态特性。同时结合结构动力学修改方法与数据模型，构建表征铣削时变信息的数字孪生模型。以时变信息的更新精度与速度为综合效率指标，对比传统有限元方法，本发明具有更好的泛化性与高效性。
-
公开(公告)号：CN116878641A
公开(公告)日：2023-10-13
申请号：CN202310989983.5
申请日：2023-08-08
Applicant: 大连理工大学
IPC: G01H9/00
Abstract: 本发明公开一种基于光纤传感器的旋转轴系扭振监测方法，属于故障诊断技术领域，包括如下几个步骤：基于光纤传感器的扭振信号获取、使用ASA‑LSF的扭振信号频率估计方法得到扭振实时频率、使用ANSYS的模态分析获取旋转轴系的扭振固有频率、对比扭振实时频率与轴系扭振固有频率。若扭振实时频率与轴系扭振固有频率差值在设定的阈值以内，认为此时容易发生扭振共振，发出共振预警；若扭振实时频率与轴系扭振固有频率差值在设定的阈值以外，认为此时不容易发生扭振共振，不发出共振预警。本发明可以摆脱对信号处理技术和诊断经验等先验知识的依赖，具有简单、直观和方便的特点。
-
公开(公告)号：CN115900934A
公开(公告)日：2023-04-04
申请号：CN202211621220.7
申请日：2022-12-16
Applicant: 大连理工大学
IPC: G01H17/00 , G01M13/00 , G06F30/23 , G06F111/04 , G06F119/08 , G06F119/14
Abstract: 本发明属于结构振动状态监测领域，提出一种机理‑数据融合驱动的旋转叶盘动响应场重构方法。本方法步骤依次如下：提取机理数据、叶尖定时测试及振动参数辨识、叶尖振动信号预处理、动态响应场评估。本发明结合叶尖定时测试获得的叶尖振动位移、位移模态振型及应变模态振型获得整个叶盘响应场的评估结果。其关键在于测点自由度数目要大于等于截取的振型数目。可以有效的解决试验测试仅反映局部振动特性的缺点，实现动位移场和动应变场的重构，能够从整体叶盘的角度对叶盘的振动特性进行有效的评估，为叶盘的疲劳可靠性和故障预警提供有效的支撑。
-
-
-
-
-
-
-
-
-
Search Results
94
records
(took 0.025 seconds)
