-
公开(公告)号：CN107036808A
公开(公告)日：2017-08-11
申请号：CN201710232999.6
申请日：2017-04-11
Applicant: 浙江大学
IPC: G01M13/02
CPC classification number: G01M13/028
Abstract: 本发明公开了一种基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法。本发明主要包括以下两个模块：第一个模块是基于总体经验模态分解(EEMD)的振动信号处理和故障特征提取算法；第二个模块是支持向量机的训练模型方法及概率估计算法。本发明针对不同的传感器分别建立模型，分析时将所有分类器的结果加以整合，提高诊断的准确度。本发明以仿真信号为测试对象，给出了详细的算法描述，并通过实验验证了算法在齿轮箱复合故障诊断方面的有效性。
-
公开(公告)号：CN106096562A
公开(公告)日：2016-11-09
申请号：CN201610435189.6
申请日：2016-06-15
Applicant: 浙江大学
CPC classification number: G06K9/00536 , G06K9/6222 , G06Q50/06
Abstract: 本发明公开了一种基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法。本发明主要包括三部分的算法：一是基于经验模态分解(EMD)、奇异值分解(SVD)和K均值聚类(K‑Means)的源信号数目估计算法；二是基于模糊C均值聚类(FCM)的混叠矩阵估计算法；三是基于最小化l1范数的源信号估计及诊断算法。整个算法流程引入了盲源分离(BSS)及稀疏成分分析(SCA)的思想。本发明以仿真信号和实际振动信号为测试对象，给出了详细的算法描述，并通过一系列的实验验证了算法在信号处理及故障诊断方面的有效性。
-
公开(公告)号：CN106096562B
公开(公告)日：2019-06-04
申请号：CN201610435189.6
申请日：2016-06-15
Applicant: 浙江大学
Abstract: 本发明公开了一种基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法。本发明主要包括三部分的算法：一是基于经验模态分解(EMD)、奇异值分解(SVD)和K均值聚类(K‑Means)的源信号数目估计算法；二是基于模糊C均值聚类(FCM)的混叠矩阵估计算法；三是基于最小化l1范数的源信号估计及诊断算法。整个算法流程引入了盲源分离(BSS)及稀疏成分分析(SCA)的思想。本发明以仿真信号和实际振动信号为测试对象，给出了详细的算法描述，并通过一系列的实验验证了算法在信号处理及故障诊断方面的有效性。
-
公开(公告)号：CN107036808B
公开(公告)日：2019-04-19
申请号：CN201710232999.6
申请日：2017-04-11
Applicant: 浙江大学
IPC: G01M13/02
Abstract: 本发明公开了一种基于支持向量机概率估计的风电机组齿轮箱复合故障诊断方法。本发明主要包括以下两个模块：第一个模块是基于总体经验模态分解(EEMD)的振动信号处理和故障特征提取算法；第二个模块是支持向量机的训练模型方法及概率估计算法。本发明针对不同的传感器分别建立模型，分析时将所有分类器的结果加以整合，提高诊断的准确度。本发明以仿真信号为测试对象，给出了详细的算法描述，并通过实验验证了算法在齿轮箱复合故障诊断方面的有效性。
-
-
-
Search Results
4
records
(took 0.013 seconds)
