-
公开(公告)号：CN114548150B
公开(公告)日：2023-04-28
申请号：CN202210027989.X
申请日：2022-01-11
Applicant: 西南交通大学
IPC: G06F18/10 , G06F18/24 , G01M13/028
Abstract: 本发明涉及一种基于参数自适应增强MED的传动系统故障诊断方法，属于传动系统故障诊断技术领域，设计了一种非线性变换，在MED滤波系数迭代求解过程中融入此非线性变换，以此抑制滤波信号中的少量主导冲击及较小幅值噪声，从而增强周期性故障冲击序列，使滤波器估计更加准确有效。提出了一种根据待分析信号本身自适应获得最优滤波参数的参数自适应策略，解决了MED等传统解卷积方法依赖经验指定滤波器参数的问题，因此，所提方法是不需要准确故障频率的自适应盲解卷积方法。
-
公开(公告)号：CN114528525B
公开(公告)日：2023-03-28
申请号：CN202210028718.6
申请日：2022-01-11
Applicant: 西南交通大学
IPC: G06F17/15 , G06F17/18 , G06F17/11 , G01M13/028 , G01M13/021
Abstract: 本发明涉及基于最大重加权峭度盲解卷积的机械故障诊断方法，属于风电机组故障诊断技术领域，提出一种新的盲解卷积方法，即最大重加权峭度盲解卷积。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性，且无需待恢复故障冲击序列先验知识。基于此，最大重加权峭度盲解卷积方法能有效解决经典基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题，同时相较于常见非全“盲”(依赖故障特征频率先验)方法在工业装备齿轮故障诊断方面具有更强的适用性。并且在风电涡轮机故障诊断中的应用案例证实所提方法对于齿轮故障诊断的有效性。
-
公开(公告)号：CN114548150A
公开(公告)日：2022-05-27
申请号：CN202210027989.X
申请日：2022-01-11
Applicant: 西南交通大学
IPC: G06K9/00 , G01M13/028
Abstract: 本发明涉及一种基于参数自适应增强MED的传动系统故障诊断方法，属于传动系统故障诊断技术领域，设计了一种非线性变换，在MED滤波系数迭代求解过程中融入此非线性变换，以此抑制滤波信号中的少量主导冲击及较小幅值噪声，从而增强周期性故障冲击序列，使滤波器估计更加准确有效。提出了一种根据待分析信号本身自适应获得最优滤波参数的参数自适应策略，解决了MED等传统解卷积方法依赖经验指定滤波器参数的问题，因此，所提方法是不需要准确故障频率的自适应盲解卷积方法。
-
Patent Agency Ranking
公开(公告)号：CN115290317B
公开(公告)日：2025-01-28
申请号：CN202210730852.0
申请日：2022-06-24
Applicant: 西南交通大学 , 重庆科技学院 , 重庆奔腾科技发展有限公司
IPC: G01M13/02 , G01M13/028 , G01M13/021 , G01M13/04 , G06F18/24 , G06F18/213 , G06F18/2411 , G06F18/25 , G06N3/0499
Abstract: 本发明涉及基于多源信息融合的工业机器人减速器健康状态评估方法，属于工业机器人技术领域，首先通过不同类型的传感器采集减速器运行中的各类信号，然后提取各类信号的时频特征，再将时频特征集作为BP神经网络和SVM的训练样本，分别对各类信号的特征集进行诊断，得出每个传感器对每一种的故障的识别率。利用D‑S证据理论对各类信号局部诊断结果进行多源信号融合，分别得到基于多源信号BP神经网络和SVM的融合的诊断结果。最后，基于BP神经网络和SVM各自获得的多源信号融合的分类结果，再采用D‑S证据理论对BP神经网络和SVM获取的故障全局诊断结果进行决策，得到最终的诊断结果，本发明基于D‑S决策层的融合，使得诊断结果准确率和可信度显著提高。
-
公开(公告)号：CN114528525A
公开(公告)日：2022-05-24
申请号：CN202210028718.6
申请日：2022-01-11
Applicant: 西南交通大学
IPC: G06F17/15 , G06F17/18 , G06F17/11 , G01M13/028 , G01M13/021
Abstract: 本发明涉及基于最大重加权峭度盲解卷积的机械故障诊断方法，属于风电机组故障诊断技术领域，提出一种新的盲解卷积方法，即最大重加权峭度盲解卷积。重加权峭度对故障信号中单个或少量强冲击干扰具有很好的鲁棒性，且无需待恢复故障冲击序列先验知识。基于此，最大重加权峭度盲解卷积方法能有效解决经典基于峭度最大化方法倾向于恢复单个主导冲击而非齿轮故障冲击序列的问题，同时相较于常见非全“盲”(依赖故障特征频率先验)方法在工业装备齿轮故障诊断方面具有更强的适用性。并且在风电涡轮机故障诊断中的应用案例证实所提方法对于齿轮故障诊断的有效性。
-
公开(公告)号：CN116796171A
公开(公告)日：2023-09-22
申请号：CN202310749880.1
申请日：2023-06-21
Applicant: 西南交通大学
IPC: G06F18/213 , G06N3/0464 , G06N3/082 , G01M13/00
Abstract: 本发明提供了一种机械装备剩余使用寿命预测方法和装置，涉及装备管理技术领域。本发明采用自适应剪枝算法进行轻量化处理，并通过误差计算和模型评估不断优化模型性能，实现了预测速度和预测精度的提高；剪枝过程通过自适应结构化剪枝策略冗余元素进行自动修剪，避免了不必要的操作和搜索；并且在针对不同的神经网络层时，使用不同的剪枝率进行自动化结构剪枝，最终得到一个最优的轻量化网络模型；在剩余使用寿命预测精度上有显著提升，同时还占用更少的存储空间，从而能便捷地部署在如小型嵌入式系统等平台上，并及时提醒维护人员进行维护和保养，适合广泛应用于各种机械设备的预防性维护和管理中，具有很好的实用性和推广价值。
-
公开(公告)号：CN115293193A
公开(公告)日：2022-11-04
申请号：CN202210729865.6
申请日：2022-06-24
Applicant: 西南交通大学 , 重庆科技学院 , 重庆奔腾科技发展有限公司
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G01M13/028 , G01M13/02
Abstract: 本发明涉及基于多源信息融合的工业机器人减速器传动精度预测方法，属于工业机器人技术领域，谐波减速器作为工业机器人关节的核心部件，其传动性能的好坏直接影响着末端执行器的运动精度和位姿精度。本发明公开了一种基于多源信息融合的工业机器人减速器传动精度预测方法，该方法首先通过数据采集系统采集机械臂声发射、速度、加速度、位移、温度等信号，然后计算各类信号的时频特征，并将其作为输入参数进行深度神经网络训练，将训练好的传动精度预测模型结果采用D‑S证据理论模型进行融合，得到最终的结果。本发明能够有效提高结果的准确率和可信度，实现工业机器人减速器的传动精度预测。
-
公开(公告)号：CN115290317A
公开(公告)日：2022-11-04
申请号：CN202210730852.0
申请日：2022-06-24
Applicant: 西南交通大学 , 重庆科技学院 , 重庆奔腾科技发展有限公司
IPC: G01M13/02 , G01M13/028 , G01M13/021 , G01M13/04 , G06K9/00 , G06K9/62 , G06N3/04
Abstract: 本发明涉及基于多源信息融合的工业机器人减速器健康状态评估方法，属于工业机器人技术领域，首先通过不同类型的传感器采集减速器运行中的各类信号，然后提取各类信号的时频特征，再将时频特征集作为BP神经网络和SVM的训练样本，分别对各类信号的特征集进行诊断，得出每个传感器对每一种的故障的识别率。利用D‑S证据理论对各类信号局部诊断结果进行多源信号融合，分别得到基于多源信号BP神经网络和SVM的融合的诊断结果。最后，基于BP神经网络和SVM各自获得的多源信号融合的分类结果，再采用D‑S证据理论对BP神经网络和SVM获取的故障全局诊断结果进行决策，得到最终的诊断结果，本发明基于D‑S决策层的融合，使得诊断结果准确率和可信度显著提高。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.016 seconds)
