基于卷积神经网络的多通道时间序列数据故障诊断方法

    公开(公告)号:CN112541511A

    公开(公告)日:2021-03-23

    申请号:CN201910890283.4

    申请日:2019-09-20

    Applicant: 宫文峰

    Inventor: 宫文峰

    Abstract: 本发明公开了一种基于卷积神经网络的多通道时间序列数据故障诊断方法,其包括以下步骤:(1)采集监测对象的多通道一维时间序列故障数据;(2)构建多通道一维时间序列原始故障数据集,进行归一化、数据截断预处理;(3)构建多通道二维特征图故障数据集;(4)划分为训练集、验证集和测试集;(5)构建多通道深度学习故障诊断模型,包含有输入层、特征提取层、降维减参层、softmax分类层和支持向量机输出层,所述降维减参层包含有一个卷积核为1×1的过渡卷积层和一个全局均值池化层;(6)多通道深度学习故障诊断模型的训练、验证和测试,诊断结果最终由支持向量机自动输出,使人们对机电装备的故障诊断更加智能方便。

    基于改进卷积神经网络的旋转机械故障诊断方法

    公开(公告)号:CN112541233A

    公开(公告)日:2021-03-23

    申请号:CN201910890191.6

    申请日:2019-09-20

    Applicant: 宫文峰

    Inventor: 宫文峰 张美玲

    Abstract: 本发明公开了一种基于改进卷积神经网络的旋转机械故障诊断方法,其包括以下步骤:(1)采集一维时间序列故障数据,获取原始故障数据集;(2)将获取的原始故障数据集的数据进行预处理操作,所述预处理包括:标准化、数据截断和数据重构;(3)将预处理后的每类故障的样本划分为训练集、验证集和测试集;(4)建立改进的卷积神经网络故障诊断模型,该模型包含有输入层、特征提取层、降维减参层和softmax分类输出层,降维减参层包含有1×1的过渡卷积层和全局均值池化层;(5)模型的训练与测试;所述诊断模型可自动对故障数据自动提取特征和诊断,无需任何手工特征提取操作,使人们对旋转机械故障诊断更方便快捷。

    侧壁带叶轮的多功能混浆机

    公开(公告)号:CN110269524A

    公开(公告)日:2019-09-24

    申请号:CN201810221583.9

    申请日:2018-03-17

    Applicant: 宫文峰

    Inventor: 宫文峰 张美玲

    Abstract: 侧壁带叶轮的多功能混浆机,包含有外壳体1、内杯体2、把手3、底座4、搅拌装置和发电装置,搅拌装置包含有叶轮7、电机71,发电装置包含有热变电片8、温差发电片6和冷铁5,电机71设置为固定安装在内杯体2的侧壁上,叶轮7固定安装在电机71的转轴上,内杯体2的外侧面与外壳体1的内侧面之间形成半封闭的腔体,在腔体内设置有发电装置,在外壳体1的下端部设置固定胶接安装有底座4,底座4设置为具有内腔体的圆柱壳,在底座4内部的中间位置处设置有锂电池42,在底座4的外圆周上设置有USB充电接口41。因此,人们在没有外部电源提供电能时混浆料更加灵活方便。

    直线滑道自平衡式物料传送装置

    公开(公告)号:CN104071518B

    公开(公告)日:2016-01-13

    申请号:CN201410345427.5

    申请日:2014-07-21

    Inventor: 宫文峰 张美玲

    Abstract: 一种直线滑道自平衡式物料传送装置,包含有左限位柱1、旋转架2、固定板4、右限位柱5、左挡柱6、右挡柱10、滑动装置和承载装置,旋转架2设置为截面形状为半开放式的圆环形,旋转架2设置为通过紧固螺钉3与固定板4松连接在一起,旋转架2设置为可以绕紧固螺钉3的中心自由转动,承载装置包含有物料盒7和连接板8,物料盒7设置为开口向上的半封闭式腔体,连接板8的下端部设置为与物料盒7的后立板的上端面固定连接于一体,因此,人们传送物料更加灵活平稳方便。

    物流包裹智能分捡自助查收系统装置

    公开(公告)号:CN105069923A

    公开(公告)日:2015-11-18

    申请号:CN201510515128.6

    申请日:2015-08-21

    Applicant: 宫文峰

    Abstract: 一种物流包裹智能分捡自助查收系统装置,包含有邮柜外框体1、邮柜标记体2、报警装置3、监控摄像头4、包裹到货信息发射及取件装置5、小柜仓6、中柜仓7、大柜仓8、专用电子扫码枪14、柜门全开感应卡15、物流公司电脑信息终端和物流包裹手机终端,包裹到货信息发射及取件装置5包含有发射装置框体50、发射天线55、触摸显示器51、小键盘52、二维码扫描器53、条形码扫描器54、二维码扫描按键56、条形码扫描按键57和柜门全开卡感应板59,邮柜仓中均设置有邮柜仓门80、柜门号81、包裹存取电子操作装置82、柜门序号条形码83、柜门条型码扫描口84和柜内储存状态指示灯11,因此,人们查收包裹更灵活方便。

    倾覆式滑动轮物料传送装置

    公开(公告)号:CN104129593A

    公开(公告)日:2014-11-05

    申请号:CN201410344022.X

    申请日:2014-07-20

    Applicant: 宫文峰

    Inventor: 张美玲 宫文峰

    Abstract: 一种倾覆式滑动轮物料传送装置,包含有左限位柱1、固定板2、旋转架4、紧固螺钉5、右限位柱6、左挡柱7、右挡柱8和承载装置,旋转架4通过紧固螺钉5与固定板2松连接在一起,旋转架4可以绕紧固螺钉5的中心自由转动,旋转架4设置为截面形状为半开放式的圆环形,在旋转架4的上方左侧设置有左限位柱1,左限位柱1设置为与固定板2固定连接于一体,在固定板2的右上方固定安装有右限位柱6,右限位柱6设置在与左限位柱1的左右对称位置,因此,人们传送物料更加灵活方便。

    直线滑道自平衡式物料传送装置

    公开(公告)号:CN104071518A

    公开(公告)日:2014-10-01

    申请号:CN201410345427.5

    申请日:2014-07-21

    Applicant: 宫文峰

    Abstract: 一种直线滑道自平衡式物料传送装置,包含有左限位柱1、旋转架2、固定板4、右限位柱5、左挡柱6、右挡柱10、滑动装置和承载装置,旋转架2设置为截面形状为半开放式的圆环形,旋转架2设置为通过紧固螺钉3与固定板4松连接在一起,旋转架2设置为可以绕紧固螺钉3的中心自由转动,承载装置包含有物料盒7和连接板8,物料盒7设置为开口向上的半封闭式腔体,连接板8的下端部设置为与物料盒7的后立板的上端面固定连接于一体,因此,人们传送物料更加灵活平稳方便。

    配重驱动平开式自关闭自动门

    公开(公告)号:CN103437623A

    公开(公告)日:2013-12-11

    申请号:CN201310401778.9

    申请日:2013-09-06

    Applicant: 宫文峰

    Abstract: 一种配重驱动平开式自关闭自动门,包含有门框1、左滑轮2、左限位柱3、滑道4、绳子5、左锁定孔6、滚动轮7、悬挂吊架8、平开门9、接线柱10、右限位柱11、右滑轮12、右锁定孔13、锁定拉杆14、锁定滑槽15和配重17,滑道4设置在平开门9的上端,滑道4设置为与门框1固定联接,在滑道4内设置有滚动轮7,滚动轮7设置为与滑道4滚动式联接,悬挂吊架8上端设置为与滚动轮7的转动轴固定联接,悬挂吊架8下端设置有与悬挂吊架8固定联接的平开门9,在左锁定孔6的最左侧设置有与门框1固定联接的左限位柱3,在右锁定孔13的左侧设置有与门框1固定联接的右限位柱11,因此人们关门更方便。

    基于集成深度学习的船舶柴油发电机故障诊断方法

    公开(公告)号:CN116894376A

    公开(公告)日:2023-10-17

    申请号:CN202210578127.6

    申请日:2022-05-26

    Applicant: 宫文峰

    Inventor: 宫文峰 张美玲

    Abstract: 本发明公开了一种基于集成深度学习的船舶柴油发电机故障诊断方法,其包括以下步骤:(1)采集船舶柴油发电机的多通道一维时间序列原始故障数据;(2)构建多通道一维时间序列数据融合数据集;(3)基于滑动窗口重叠采样法进行数据截断处理,生成标准二维特征图训练样本总数据集;(4)划分为训练集、验证集和测试集;(5)构建集成深度学习时空特征提取故障诊断模型;(6)初始化诊断模型的参数权重;(7)集成深度学习时空特征提取故障诊断模型的训练和验证;(8)对训练后的集成深度学习时空特征提取故障诊断模型进行测试,诊断结果最终由Softmax层自动输出,使人们对船舶柴油发电机的故障诊断更加智能方便。

    基于多通道时间序列数据的智能故障诊断方法

    公开(公告)号:CN112541510A

    公开(公告)日:2021-03-23

    申请号:CN201910890281.5

    申请日:2019-09-20

    Applicant: 宫文峰

    Inventor: 宫文峰

    Abstract: 本发明公开了一种基于多通道时间序列数据的智能故障诊断方法,将传感器设置在监测对象上,采集监测对象在多种健康状态下运行时产生的多通道一维时间序列数据,并进行预处理,构建多通道一维时间序列故障数据集,并划分为训练集、验证集和测试集;建立多通道深度学习故障诊断模型,包含有输入层、特征提取层、降维减参层、softmax分类层和支持向量机输出层,将所述训练集中的数据输入模型用于模型参数的训练和学习,运用验证集的数据对训练过程中的诊断模型准确率进行实时验证,模型训练结束后,保存最佳的CNN诊断模型参数,最后将测试集的样本数据输入到已训练的深度学习诊断模型中完成最终的测试,得到最终的故障诊断结果。

Patent Agency Ranking