-
公开(公告)号：CN111795819B
公开(公告)日：2021-06-22
申请号：CN202010534929.8
申请日：2020-06-12
Applicant: 燕山大学
IPC: G01M13/021 , G01M13/028
Abstract: 本发明涉及一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其内容是：利用传感器与数据采集设备从风电齿轮箱采集振动与电流信号，分别对其进行局部化处理；将经过局部处理得到的振动与电流局部信号样本输入协同特征学习网络组进行协同特征提取与特征重构，得到电流与振动信号的协同特征映射；将学习的电流局部协同特征作为支持向量机分类器的输入，并利用电流数据的故障标签信息通过监督学习的方式训练得到故障诊断分类器。本发明能够协同学习振动信号和电流信号的局部一致性和互补性故障特征，提高了风电齿轮箱故障诊断的准确性和可靠性。
-
公开(公告)号：CN111795819A
公开(公告)日：2020-10-20
申请号：CN202010534929.8
申请日：2020-06-12
Applicant: 燕山大学
IPC: G01M13/021 , G01M13/028
Abstract: 本发明涉及一种融合振动与电流信号协同学习的齿轮箱故障诊断方法，其内容是：利用传感器与数据采集设备从风电齿轮箱采集振动与电流信号，分别对其进行局部化处理；将经过局部处理得到的振动与电流局部信号样本输入协同特征学习网络组进行协同特征提取与特征重构，得到电流与振动信号的协同特征映射；将学习的电流局部协同特征作为支持向量机分类器的输入，并利用电流数据的故障标签信息通过监督学习的方式训练得到故障诊断分类器。本发明能够协同学习振动信号和电流信号的局部一致性和互补性故障特征，提高了风电齿轮箱故障诊断的准确性和可靠性。
-
公开(公告)号：CN111753891A
公开(公告)日：2020-10-09
申请号：CN202010530872.4
申请日：2020-06-11
Applicant: 燕山大学
Abstract: 本发明公开了一种无监督特征学习的滚动轴承故障诊断方法，所述诊断方法主要步骤如下：首先采用ELM-AE对采集到的振动信号进行无监督特征学习得到权值向量；然后将叠加处理后的权值向量作为卷积核，对原始振动信号进行卷积池化处理，实现数据特征的自动提取；最后将提取到的特征向量输入到支持向量机进行滚动轴承健康状态识别与分类。本发明所提出的方法能够在保证较高诊断精度的同时，有效的缩短模型训练时间，提高算法运行效率，具有非常理想的技术效果。
-
公开(公告)号：CN105181615A
公开(公告)日：2015-12-23
申请号：CN201510588845.1
申请日：2015-09-16
Applicant: 燕山大学
IPC: G01N21/31
Abstract: 一种二氧化硫和硫化氢气体浓度的检测装置，它的氘灯的前方设有第一石英透镜，在第一石英透镜与第二石英透镜之间设带有电磁阀和压力计测试样品池，在第二石英透镜的另一侧设有摄谱仪，摄谱仪的输出端与计算机连接；本发明的检测方法主要是：通过摄谱仪得到被测二氧化硫和硫化氢气体在185-235nm的特征吸收光谱，对特征吸收光谱数据进行多项式拟合，得到拟合数据；把这两个数据代入N＝∑∣ln(I(λI)/I(λK))∣/∑(σ(λI)×L)公式，得出被测二氧化硫气体浓度，把二氧化硫气体浓度代入公式C＝∑∣ln(I(λI)/I(λK))-σ1NL∣/∑(σ2(λ)×L)得到硫化氢气体的浓度。本发明结构简单、操作方便、成本低、精度高、可以实时在线监测。
-
公开(公告)号：CN119374883A
公开(公告)日：2025-01-28
申请号：CN202411616429.3
申请日：2024-11-13
Applicant: 燕山大学
IPC: G01M13/00 , G01M13/045 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于噪声增强卷积神经网络的旋转机械故障诊断方法，属于旋转机械故障诊断技术领域，包括如下步骤：S1、采集旋转机械在不同健康状态下运行时的原始振动信号；S2、将采集到的原始振动信号利用滑动窗进行分割来构造样本数据集，将样本数据集中的每个样本数据转换为二维图像，并构造训练数据集和测试数据集；S3、利用训练数据集对噪声增强卷积神经网络进行训练，并在训练过程中，通过网络权重参数与训练轮次生成噪声，注入到所述噪声增强卷积神经网络中对其进行增强；S4、将训练好的噪声增强卷积神经网络用于测试数据集分析，从而得到测试数据的故障诊断结果。本发明能够增强卷积神经网络模型的泛化性，提高故障诊断的精度。
-
Patent Agency Ranking
公开(公告)号：CN115046764B
公开(公告)日：2023-04-07
申请号：CN202210482268.8
申请日：2022-05-05
Applicant: 燕山大学
IPC: G01M13/045
Abstract: 本发明公开了一种滚动轴承早期故障诊断方法，属于机械状态监测技术领域，为了克服传统的评估指标对于早期故障不敏感的缺点，提取采集到的轴承振动信号的时域、频域特征，利用高斯去噪算法、开方累积加和变换技术、皮尔逊系数和主成分分析法，将多维特征转变成单维特征，并在此基础上构建新的健康指标，该指标趋势能够更加凸显轴承早期故障特征。然后利用连续报警次数触发机制，仅使用较小的触发次数便可准确可靠地监测出滚动轴承的早期故障。本发明在滚动轴承早期故障诊断方面取得的研究成果，为实现滚动轴承的剩余寿命预测奠定了基础。
-
公开(公告)号：CN111665050B
公开(公告)日：2021-07-27
申请号：CN202010501122.4
申请日：2020-06-04
Applicant: 燕山大学
IPC: G01M13/045 , G06K9/62
Abstract: 本发明公开了一种基于聚类K‑SVD算法的滚动轴承故障诊断方法，其主要步骤如下：首先利用基于粒子群优化的时变滤波经验模态分解算法对原始信号进行自适应分解，得到各本征模式分量，并计算各分量的相关峭度指标(Kcr)值；然后，选取具有最大Kcr指标值的本征模式分量作为聚类K‑SVD算法的输入样本进行字典学习，得到超完备字典DNew；最后，利用超完备字典DNew，并结合正交匹配追踪算法对滚动轴承原始信号进行稀疏特征提取，并对稀疏表示结果进行包络谱分析提取滚动轴承故障频率特征。本方法有效解决了经典K‑SVD算法对滚动轴承故障冲击特征的学习精度较低等问题，对于实现滚动轴承微弱故障诊断具有重要的意义。
-
公开(公告)号：CN111223337B
公开(公告)日：2020-12-22
申请号：CN202010169335.1
申请日：2020-03-12
Applicant: 燕山大学
Abstract: 本发明公开了一种基于机器视觉和增强现实的书法教学机。该书法教学机在第一毛笔和第二毛笔上分别设置第一位姿传感器和第二位姿传感器；系统主机与机器书写手臂、第一视觉模块、增强现实眼镜、第二视觉模块、显示器、第一位姿传感器和第二位姿传感器连接；机器书写手臂和第一视觉模块位于机器书写平台上，机器书写手臂夹持第一毛笔；第一视觉模块拍摄机器书写结果；第二视觉模块位于人工书写平台上，拍摄人工书写结果；系统主机用于对书写控制参数进行调整、控制机器书写手臂进行书写、将人工书写动作以及人工书写结果与标准动作以及标准结果进行比对、生成书写教学动画；显示器和增强现实眼镜用于显示书写教学动画。本发明能够提高教学真实性。
-
公开(公告)号：CN110006652A
公开(公告)日：2019-07-12
申请号：CN201910292988.6
申请日：2019-04-12
Applicant: 燕山大学
IPC: G01M13/045
Abstract: 本发明公开了一种滚动轴承故障诊断方法及系统。本发明的诊断方法通过采用短时能量边界检测方法对滚动轴承振动信号的Fourier谱进行自适应划分，实现了自适应地确定频域区间的边界，克服了经验小波变换中因频域划分不理想及模态分量个数设置不当影响分解效果的技术缺陷，提高了故障诊断的精度；同时选取包络谱显著性指数最大的调幅调频模态分量进行解调，获得最优解调包络谱，确保选用的模态分量包含丰富的故障信息，进一步提高了故障诊断的精度。
-
公开(公告)号：CN105372191A
公开(公告)日：2016-03-02
申请号：CN201510687894.0
申请日：2015-10-22
Applicant: 燕山大学
IPC: G01N21/31
CPC classification number: G01N21/3103 , G01N2021/3107
Abstract: 一种气态单质汞光谱监测装置，它的氘灯前方设有第一石英透镜，在第一石英透镜与第二石英透镜之间放置装有被测气态单质汞的样品池，在第二石英透镜的另一侧设有摄谱仪，摄谱仪的数据输出端与计算机连接，在上述被测试样品池的底部设有微型压力泵和压力计。本发明的检测方法主要是：把通过摄谱仪得到被测气态单质汞高压下的特征吸收光谱数据I(λK)进行多项式拟合，得到拟合数据I(λK)；再把吸收光谱数据I(λK)和拟合数据I(λK)代入N＝∑∣ln(I(λK)/I(λK))∣/∑(σ(λK)×L)公式中，得出被测气态单质汞的浓度。本发明结构简单、操作方便、成本低、精度高，能够实时在线监测。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.018 seconds)
