-
公开(公告)号：CN119149984A
公开(公告)日：2024-12-17
申请号：CN202411640332.6
申请日：2024-11-18
Applicant: 湖南科技大学
IPC: G06F18/2113 , G06F18/214 , G06F18/2337 , G06F18/2415 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于特征选择和多尺度残差网络的匝间短路故障诊断方法，属于电机故障诊断领域，包括以下步骤：收集永磁同步电机内部绝缘故障中匝间短路故障条件下的永磁同步电机的电流信号，对电流信号进行预处理，得到训练集和测试集；构建永磁同步电机匝间短路故障诊断模型，采用训练集对永磁同步电机匝间短路故障诊断模型训练后，保留永磁同步电机匝间短路故障诊断模型的最优结构；将测试集放入训练好的永磁同步电机匝间短路故障诊断模型中进行特征学习，然后再输入Softmax分类器中进行故障诊断。本发明可自动、高效地提取电流信号中的微弱故障特征，摆脱了对传统信号处理技术和诊断经验的依赖，对含有噪声的信号具有良好的鲁棒性。
-
公开(公告)号：CN118378167B
公开(公告)日：2024-09-13
申请号：CN202410817539.X
申请日：2024-06-24
Applicant: 湖南科技大学
IPC: G06F18/2415 , G06F18/2431 , G06F18/213 , G06F18/2136 , G06F18/214 , G06F18/15 , G06N3/047 , G06N3/0455 , G06N3/0495 , G06N3/088 , G01M13/02 , G01R31/34 , G01R19/00
Abstract: 本发明公开了一种基于零序电流相关熵增强稀疏学习的传动链故障诊断方法，属于旋转部件故障诊断领域，包括以下步骤：数据采集和预处理；构建零序电流稀疏特征学习的旋转机械故障诊断模型；将预处理后的零序电流数据输入训练好的故障诊断模型中，获取诊断结果。本发明提出的使用零序电流进行旋转机械故障诊断的相关熵增强稀疏学习方法，可自动、高效地提取电流信号中的微弱故障特征，摆脱了对传统信号处理技术和诊断经验的依赖，对含有噪声的信号具有良好的鲁棒性。
-
公开(公告)号：CN118378167A
公开(公告)日：2024-07-23
申请号：CN202410817539.X
申请日：2024-06-24
Applicant: 湖南科技大学
IPC: G06F18/2415 , G06F18/2431 , G06F18/213 , G06F18/2136 , G06F18/214 , G06F18/15 , G06N3/047 , G06N3/0455 , G06N3/0495 , G06N3/088 , G01M13/02 , G01R31/34 , G01R19/00
Abstract: 本发明公开了一种基于零序电流相关熵增强稀疏学习的传动链故障诊断方法，属于旋转部件故障诊断领域，包括以下步骤：数据采集和预处理；构建零序电流稀疏特征学习的旋转机械故障诊断模型；将预处理后的零序电流数据输入训练好的故障诊断模型中，获取诊断结果。本发明提出的使用零序电流进行旋转机械故障诊断的相关熵增强稀疏学习方法，可自动、高效地提取电流信号中的微弱故障特征，摆脱了对传统信号处理技术和诊断经验的依赖，对含有噪声的信号具有良好的鲁棒性。
-
公开(公告)号：CN119149984B
公开(公告)日：2025-01-28
申请号：CN202411640332.6
申请日：2024-11-18
Applicant: 湖南科技大学
IPC: G06F18/2113 , G06F18/214 , G06F18/2337 , G06F18/2415 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于特征选择和多尺度残差网络的匝间短路故障诊断方法，属于电机故障诊断领域，包括以下步骤：收集永磁同步电机内部绝缘故障中匝间短路故障条件下的永磁同步电机的电流信号，对电流信号进行预处理，得到训练集和测试集；构建永磁同步电机匝间短路故障诊断模型，采用训练集对永磁同步电机匝间短路故障诊断模型训练后，保留永磁同步电机匝间短路故障诊断模型的最优结构；将测试集放入训练好的永磁同步电机匝间短路故障诊断模型中进行特征学习，然后再输入Softmax分类器中进行故障诊断。本发明可自动、高效地提取电流信号中的微弱故障特征，摆脱了对传统信号处理技术和诊断经验的依赖，对含有噪声的信号具有良好的鲁棒性。
-
-
-
Search Results
4
records
(took 0.025 seconds)
