-
公开(公告)号：CN116956505B
公开(公告)日：2023-12-15
申请号：CN202311221757.9
申请日：2023-09-21
IPC: G06F30/17 , G06F30/23 , G06F111/04 , G06F111/10 , G06F119/14
Abstract: 本发明公开了一种基于动力学建模与有限元仿真的惰轮裂纹扩展分析方法，属于齿轮疲劳与断裂技术领域，包括以下步骤：建立惰轮单齿的有限元模型，并划分网格模型；设置齿轮材料属性并施加边界条件；通过求解齿轮系统动力学模型得到动态啮合载荷，并将动态啮合载荷分别等效施加至惰轮两侧齿廓上；进行有限元分析，得到齿根的应力分布，确定齿根最大应力位置；对非对称循环交变动载荷下的惰轮单齿有限元模型进行齿根裂纹扩展仿真，并预测裂纹扩展的寿命。本发明采用上述的一种基于动力学建模与有限元仿真的惰轮裂纹扩展分析方法，能排除外界干扰，分析结果符合实际工况情况，为复杂工况下惰轮裂纹扩展与寿命预测提供一种更可靠、
-
公开(公告)号：CN117094200A
公开(公告)日：2023-11-21
申请号：CN202311341179.2
申请日：2023-10-17
IPC: G06F30/23 , G06F30/17 , G06F119/14
Abstract: 本发明公开了一种考虑不对中误差的齿轮时变啮合刚度计算方法，涉及齿轮动力学技术领域，包括：选取直齿轮副模型，设置基本参数以及不对中角度，将直齿轮沿齿宽方向离散化为N个齿轮切片；进行有限元建模仿真，提取齿轮基体耦合变形数据，拟合出基体耦合变形衰减函数，并推出其影响系数；建立影响系数矩阵以及不对中误差矩阵，求解矩阵方程；判断各切片上的力是否全部为非负值，将负值的力设置为0，对应切片不再参与迭代计算，直至所有力均为非负，完成迭代计算；计算对应啮合角度时变啮合刚度。本发明采用上述的一种考虑不对中误差的齿轮时变啮合刚度计算方法，能够提高具有不对中误差的齿轮时变啮合刚度计算精度，兼顾时变啮合刚度计算效率。
-
公开(公告)号：CN117077815A
公开(公告)日：2023-11-17
申请号：CN202311323130.4
申请日：2023-10-13
IPC: G06N20/00 , G06N3/0464 , G06N3/08 , G01M13/04 , G01M13/045
Abstract: 本发明公开了一种在有限样本下基于深度学习的轴承故障诊断方法，涉及轴承故障诊断技术领域，包括以下步骤：将从设备获取的多源传感器数据划分为训练集数据和测试集数据，然后进行数据预处理，增强各源传感器数据特征表示；将预处理后的数据建立标签；构建端到端的深度学习预测模型；将训练集数据输入到深度学习预测模型中对深度学习预测模型进行训练，得到训练好的深度学习预测模型；将测试集数据输入到训练好的深度学习预测模型中，确定模型效果。本发明采用上述的一种在有限样本下基于深度学习的轴承故障诊断方法，能够更深入的挖掘数据中的潜在特征信息，解决在有限样本情况下故障分类精度不高的问题。
-
公开(公告)号：CN115017826A
公开(公告)日：2022-09-06
申请号：CN202210762260.7
申请日：2022-06-30
IPC: G06F30/27 , G06F119/02
Abstract: 本发明涉及一种装备剩余使用寿命预测方法，包括：1)无需先验的特征工程，直接对原始多源传感器数据进行简单预处理后生成训练集和测试集；2)搭建深度学习预测模型，包括基于局部特征交互机制的特征矫正子网络、基于全局信息补偿机制的表示学习子网络和估计器子网络；3)将训练集数据输入预测模型对模型进行训练，根据均方根误差(RMSE)和得分函数(Score)两个指标判断模型的有效性，并得到训练好的预测模型；4)将测试装备的运行数据输入训练好的模型中，以进行装备的实时剩余使用寿命预测。本发明有效提高关键装备剩余使用寿命的预测精度。
-
公开(公告)号：CN110086670A
公开(公告)日：2019-08-02
申请号：CN201910356601.9
申请日：2019-04-29
Applicant: 安徽大学
Abstract: 本发明公开了一种基于局部邻居信息的大规模复杂网络社团发现方法，包括以下步骤：步骤A：获取网络结构，选择度最大的未访问节点及其所有的邻居节点作为初始化社团；步骤B：删除社团中连接不紧密的节点；步骤C：利用网络局部信息选择备选节点扩充初始化社团；步骤D：计算节点隶属系数判断节点是否应该留下来，得到一个社团并标记该社团所有节点为已访问；返回步骤A直到不存在未访问节点，输出社团划分结果。本发明还提供了一种计算机病毒传播控制方法，构造计算机网络模型，使用上述方法获取划分社团，对社团核心节点和边界节点进行重点防护。本发明的优点在于：在超大规模的问题上具有良好的计算效率和算法精度。
-
Patent Agency Ranking
公开(公告)号：CN117094200B
公开(公告)日：2024-01-16
申请号：CN202311341179.2
申请日：2023-10-17
IPC: G06F30/23 , G06F30/17 , G06F119/14
Abstract: 本发明公开了一种考虑不对中误差的齿轮时变啮合刚度计算方法，涉及齿轮动力学技术领域，包括：选取直齿轮副模型，设置基本参数以及不对中角度，将直齿轮沿齿宽方向离散化为N个齿轮切片；进行有限元建模仿真，提取齿轮基体耦合变形数据，拟合出基体耦合变形衰减函数，并推出其影响系数；建立影响系数矩阵以及不对中误差矩阵，求解矩阵方程；判断各切片上的力是否全部为非负值，将负值的力设置为0，对应切片不再参与迭代计算，直至所有力均为非负，完成迭代计算；计算对应啮合角度时变啮合刚度。本发明采用上述的一种考虑不对中误差的齿轮时变啮合刚度计算方法，能够提高具有不对中误差的齿轮时变啮合刚度计算精度，兼顾时变啮合(56)对比文件Jordi Marco Jordan.A linearformulation for misaligned helical gearcontact analysis using analytical contactstiffnesses《.Mechanism and MachineTheory》.2023,第187卷1-28.刘宝山;杜群贵;文奇.考虑安装误差的斜齿轮啮合刚度计算与分析.机械传动.2017,(03),1-6.杨勇;王家序;周青华;李文广;熊林冬.考虑摩擦的磨损和修形齿轮啮合刚度计算.工程科学与技术.2018,(02),1-5.
-
公开(公告)号：CN116956505A
公开(公告)日：2023-10-27
申请号：CN202311221757.9
申请日：2023-09-21
IPC: G06F30/17 , G06F30/23 , G06F111/04 , G06F111/10 , G06F119/14
Abstract: 本发明公开了一种基于动力学建模与有限元仿真的惰轮裂纹扩展分析方法，属于齿轮疲劳与断裂技术领域，包括以下步骤：建立惰轮单齿的有限元模型，并划分网格模型；设置齿轮材料属性并施加边界条件；通过求解齿轮系统动力学模型得到动态啮合载荷，并将动态啮合载荷分别等效施加至惰轮两侧齿廓上；进行有限元分析，得到齿根的应力分布，确定齿根最大应力位置；对非对称循环交变动载荷下的惰轮单齿有限元模型进行齿根裂纹扩展仿真，并预测裂纹扩展的寿命。本发明采用上述的一种基于动力学建模与有限元仿真的惰轮裂纹扩展分析方法，能排除外界干扰，分析结果符合实际工况情况，为复杂工况下惰轮裂纹扩展与寿命预测提供一种更可靠、更高效的分析方法。
-
公开(公告)号：CN116089822A
公开(公告)日：2023-05-09
申请号：CN202310166396.6
申请日：2023-02-27
IPC: G06F18/213 , G06F18/15 , G06F18/214 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/084 , G06F123/02
Abstract: 本发明适用于设备故障预测和人工智能领域，提供了一种基于时空注意力网络的设备RUL预测方法及系统，所述方法包括以下步骤：将从设备获取的多源传感器数据进行预处理，使各源传感器数据具有相同的数据量级；通过已训练的深度学习预测模型对预处理后的传感器数据进行加权和编码；挖掘加权和编码后的各所述传感器数据中的隐藏特征；对加权后的所述传感器数据进行补全，并对其中的隐藏特征进行加权和解码；对解码后的隐藏特征进行映射，输出设备RUL的预测结果。本发明解决了多传感器数据输入中重要信息不突出的问题，能够减少检测信号中的干扰；且只需要原始数据输入即可得到预测结果，无需额外的特征工程，计算过程简单，预测精度很高。
-
公开(公告)号：CN119978171A
公开(公告)日：2025-05-13
申请号：CN202510221620.6
申请日：2025-02-27
Applicant: 安徽大学
Abstract: 本发明公开了一种新型水溶性壳聚糖荧光探针及其在ClO‑和NO2‑离子检测中的应用，其中水溶性壳聚糖荧光探针的结构式如下所示：#imgabs0#。本发明水溶性壳聚糖荧光探针可以通过荧光光谱法实现对ClO‑和/或NO2‑离子的定性及定量检测，在其它分析物存在的情况下有很好的抗干扰性、高选择性和灵敏性；同时该探针能够应用于试纸检测，在检测ClO‑和NO2‑离子方面表现出巨大的潜力。
-
公开(公告)号：CN116663386A
公开(公告)日：2023-08-29
申请号：CN202310293005.7
申请日：2023-03-22
IPC: G06F30/27 , G06F18/15 , G06F18/214 , G06F18/21 , G06N3/0442 , G06N3/084 , G06F119/02 , G06F119/04
Abstract: 本发明适用于设备故障预测和人工智能领域，提供了一种基于LSTM网络的设备剩余寿命预测方法及系统，所述方法包括以下步骤：获取设备的多元监测数据，并对所述监测数据进行数据预处理，以生成训练数据集和测试数据集；搭建基于LSTM网络的多时间步退化特征强化网络的深度学习预测模型；将所述训练数据集输入深度学习预测模型训练，并根据预设规则判断训练有效性；将所述测试数据集输入训练好的深度学习预测模型，输出设备剩余寿命的预测结果。本发明解决了多元监测数据输入中重要信息不突出的问题，能够减少检测信号中的干扰；且只需要原始数据输入即可得到预测结果，无需额外的特征工程，预测精度很高。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.022 seconds)
