-
公开(公告)号：CN120012608A
公开(公告)日：2025-05-16
申请号：CN202510457408.X
申请日：2025-04-14
Applicant: 济南大学
IPC: G06F30/27 , G06F18/21 , G06F18/214 , G06F18/213 , G06F18/25 , G06N3/0455 , G06F18/22 , G01R31/367 , G01R31/392 , G06F119/04 , G06F123/02
Abstract: 本发明公开了一种基于锂电池特征关系及并行注意力的寿命预测方法，涉及锂电寿命预测技术领域，获取锂电池的特征，并转化为原始特征向量；将原始特征向量按照一定比例划分为训练集、验证集和测试集；将并行注意力机制和Transformer网络结合，构建锂电池寿命预测模型；将训练集输入至锂电池寿命预测模型进行训练，优化模型参数，得到初训练后的模型；在相同的数据集上继续训练模型，并根据设定的终止条件停止训练，获得训练好的锂电池寿命预测模型；将测试集输入验证后的锂电池寿命预测模型，得到锂电池的寿命预测结果。本发明采用并行注意力机制Transformer神经网络，能够达到精准预测锂电池剩余使用寿命的效果。
-
Patent Agency Ranking
公开(公告)号：CN117892188A
公开(公告)日：2024-04-16
申请号：CN202311750372.1
申请日：2023-12-19
Applicant: 济南大学
IPC: G06F18/241 , G01M13/045 , G06F18/213 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种基于轴承振动信号关系及图神经网络的故障分类方法，涉及轴承诊断技术领域。包括：获取滚动轴承各个时间节点以及与各时间节点对应的振动信号，生成时间序列数据，利用VG算法将时间序列数据转化为图数据并获得对应的权重关系，生成具有边权重的邻接矩阵，按照一定比例划分为训练集、验证集和测试集，将图注意力机制和图同构网络结合，构建图神经网络模型，将训练集输入图神经网络模型进行训练，获得训练好的图神经网络模型，将验证集输入进行验证，将测试集输入验证后的图神经网络模型，得到滚动轴承的故障诊断结果。本发明有助于对滚动轴承故障进行有效分类，实现大规模数据下滚动轴承的故障诊断，更具有普遍性。
-
公开(公告)号：CN117740377B
公开(公告)日：2024-08-20
申请号：CN202311749834.8
申请日：2023-12-19
Applicant: 济南大学
IPC: G01M13/045 , G06F18/2131 , G06F18/213
Abstract: 本发明公开了一种基于幅值谱二阶瞬态提取变换的轴承故障诊断方法，涉及基于信号处理的机械故障诊断技术领域。具体包括：建立轴承强频变信号模型；构建二阶群延迟算子，得到信号的二阶瞬态提取变换结果及信号的重构公式；利用二阶瞬态提取变换公式对采集的轴承振动信号进行分析，构建特征提取算子，并对分析结果沿频率方向进行特征提取；将提取的特征频率与轴承故障特征频率做对比，判断当前轴承是否处于故障状态，并利用信号重构公式实现复合故障信号中单一故障信号源的恢复。本发明能准确估计强频变信号的实际群延迟，更好地表征群延迟调制规律，提高了时频分布的能量聚集性和时频分辨率，在检测轴承复合故障及提取单一故障信号源方面效果显著。
-
公开(公告)号：CN117892188B
公开(公告)日：2024-07-09
申请号：CN202311750372.1
申请日：2023-12-19
Applicant: 济南大学
IPC: G06F18/241 , G01M13/045 , G06F18/213 , G06N3/0464 , G06N3/08 , G06F123/02
Abstract: 本发明公开了一种基于轴承振动信号关系及图神经网络的故障分类方法，涉及轴承诊断技术领域。包括：获取滚动轴承各个时间节点以及与各时间节点对应的振动信号，生成时间序列数据，利用VG算法将时间序列数据转化为图数据并获得对应的权重关系，生成具有边权重的邻接矩阵，按照一定比例划分为训练集、验证集和测试集，将图注意力机制和图同构网络结合，构建图神经网络模型，将训练集输入图神经网络模型进行训练，获得训练好的图神经网络模型，将验证集输入进行验证，将测试集输入验证后的图神经网络模型，得到滚动轴承的故障诊断结果。本发明有助于对滚动轴承故障进行有效分类，实现大规模数据下滚动轴承的故障诊断，更具有普遍性。
-
公开(公告)号：CN119989940A
公开(公告)日：2025-05-13
申请号：CN202510459309.5
申请日：2025-04-14
Applicant: 济南大学
IPC: G06F30/27 , G06F18/21 , G06F18/214 , G06F18/213 , G06F18/25 , G06N3/0455 , G06N3/0464 , G01R31/367 , G01R31/392 , G06F123/02 , G06F119/04
Abstract: 本发明公开了一种基于锂电池特征关系及卷积Transformer神经网络的寿命预测方法，属于锂电池寿命预测技术领域，获取锂电池特征向量；将锂电池特征向量划分为训练集、验证集和测试集；构建使用寿命预测模型，结合卷积注意力机制和Transformer网络得到使用寿命预测模型；利用训练集训练使用寿命预测模型，获得训练好的使用寿命预测模型；将验证集输入训练好的使用寿命预测模型中进行验证，得到验证后的使用寿命预测模型；将测试集输入验证后的使用寿命预测模型，得到锂电池的寿命预测结果。本发明有助于对锂电池剩余使用寿命进行有效预测，实现大规模数据下锂电池的寿命预测，更具有普遍性。
-
公开(公告)号：CN117740377A
公开(公告)日：2024-03-22
申请号：CN202311749834.8
申请日：2023-12-19
Applicant: 济南大学
IPC: G01M13/045 , G06F18/2131 , G06F18/213
Abstract: 本发明公开了一种基于幅值谱二阶瞬态提取变换的轴承故障诊断方法，涉及基于信号处理的机械故障诊断技术领域。具体包括：建立轴承强频变信号模型；构建二阶群延迟算子，得到信号的二阶瞬态提取变换结果及信号的重构公式；利用二阶瞬态提取变换公式对采集的轴承振动信号进行分析，构建特征提取算子，并对分析结果沿频率方向进行特征提取；将提取的特征频率与轴承故障特征频率做对比，判断当前轴承是否处于故障状态，并利用信号重构公式实现复合故障信号中单一故障信号源的恢复。本发明能准确估计强频变信号的实际群延迟，更好地表征群延迟调制规律，提高了时频分布的能量聚集性和时频分辨率，在检测轴承复合故障及提取单一故障信号源方面效果显著。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
