-
公开(公告)号：CN118817307A
公开(公告)日：2024-10-22
申请号：CN202410711752.2
申请日：2024-06-04
Applicant: 苏州大学
IPC: G01M13/04 , G01M13/045 , G06F30/17 , G06F119/14
Abstract: 本发明涉及机械设备健康状态评估及故障诊断技术领域，公开一种滚动轴承多点故障动力学建模和振动响应分析方法、系统。本发明以滚动轴承为研究对象，在构建轴承健康状态的动力学模型的基础性下，通过半正弦函数描述滚动体经过局部故障时的时变位移激励从而建立具有多点局部故障的轴承动力学模型，可以准确地模拟滚动轴承的振动机理，适用于轴承在不同故障类型和故障尺寸下的振动响应，为轴承振动响应分析提供理论基础，提高对滚动轴承故障分析的准确性，为数据驱动的滚动轴承智能故障诊断提供多点故障数据样本。
-
公开(公告)号：CN118260631A
公开(公告)日：2024-06-28
申请号：CN202410350184.8
申请日：2024-03-26
Applicant: 苏州大学
IPC: G06F18/24 , G01M13/045 , G06F18/241 , G06F18/2415 , G06F18/10 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/096
Abstract: 本发明提供一种故障轴承中故障类型监测方法和系统，涉及轴承故障诊断技术领域，该方法包括采集各种故障类型的轴承振动信号，并构建故障诊断数据集，将不同阶段的故障任务划分初始任务和增量任务，并确定初始任务和增量任务的故障类别数；构建初始故障诊断模型；基于初始故障诊断模型，对增量任务进行训练，包括模型自适应阶段训练和模型融合阶段训练，通过蒸馏损失将新模型和旧模型进行整合，得到整合后的故障诊断模型；利用整合后的故障诊断模型对待检测的故障轴承振动信号进行故障诊断，得到待检测的故障轴承振动信号的故障类型；与传统的深度学习方法相比，本发明能缓解灾难性遗忘问题，更符合工业应用的实际场景。
-
公开(公告)号：CN118260631B
公开(公告)日：2025-03-25
申请号：CN202410350184.8
申请日：2024-03-26
Applicant: 苏州大学
IPC: G06F18/24 , G01M13/045 , G06F18/241 , G06F18/2415 , G06F18/10 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/096
Abstract: 本发明提供一种故障轴承中故障类型监测方法和系统，涉及轴承故障诊断技术领域，该方法包括采集各种故障类型的轴承振动信号，并构建故障诊断数据集，将不同阶段的故障任务划分初始任务和增量任务，并确定初始任务和增量任务的故障类别数；构建初始故障诊断模型；基于初始故障诊断模型，对增量任务进行训练，包括模型自适应阶段训练和模型融合阶段训练，通过蒸馏损失将新模型和旧模型进行整合，得到整合后的故障诊断模型；利用整合后的故障诊断模型对待检测的故障轴承振动信号进行故障诊断，得到待检测的故障轴承振动信号的故障类型；与传统的深度学习方法相比，本发明能缓解灾难性遗忘问题，更符合工业应用的实际场景。
-
公开(公告)号：CN118467995A
公开(公告)日：2024-08-09
申请号：CN202410373237.8
申请日：2024-03-29
Applicant: 苏州大学
IPC: G06F18/213 , G01M13/021 , G01M13/028 , G01M13/045 , G06N3/0464 , G06N3/084
Abstract: 本发明提供一种基于时变卷积核的机械关键部件故障特征增强方法及系统，涉及机械设备信号处理技术领域，该方法包括基于广义解调变换将变化的时频曲线解调至固定频率处，通过引入角度参数，参数化广义解调因子；将参数化的广义解调因子嵌入CNN网络中，设计时变卷积层，实现对角度参数的自适应学习更新；使用设计好的时变卷积层代替CNN网络中的第一层卷积层，构建神经网络故障诊断模型，利用构建好的神经网络故障诊断模型对采集到的变转速信号进行处理，增强转速相关故障特征。本发明方法无需依赖先验知识，可实现故障类型的有效、准确分类。
-
-
-
Search Results
4
records
(took 0.017 seconds)
