-
公开(公告)号:CN114739667A
公开(公告)日:2022-07-12
申请号:CN202210504165.7
申请日:2022-05-10
Applicant: 西安交通大学
IPC: G01M13/04 , G01M13/045 , G01D21/02
Abstract: 本发明公开一种多模态信息融合轴承润滑状态监测装置及方法,系统包括下位机和上位机,下位机设置在轴承体的固定部位,下位机包括信号采集模块、通信模块以及核心处理器模块,信号采集模块用于采集轴承转动过程中的超声、声音、振动、温度,信号采集模块连接核心处理器模块的输入端,核心处理器模块与通信模块通过I/O接口连接,下位机与上位机通过通信模块通信;下位机将监测得到的超声、声音、振动、温度等数据通过通信模块发送到上位机,或在下位机上进行本地备份保存,上位机接收下位机数据,进行数据存储、数据分析、数据显示和诊断;本发明所述系统缩短信号传播距离,超声信号长距离传输高频衰减问题得到解决,极大提升了信号的信噪比。
-
公开(公告)号:CN114818961A
公开(公告)日:2022-07-29
申请号:CN202210504155.3
申请日:2022-05-10
Applicant: 西安交通大学
Abstract: 本发明提供了一种滚动轴承多模态信息多级融合监测方法及系统;该方法在不改变轴承原有结构的前提下,获取轴承运行时的振动、声音、温度、转速多模态信号,并将原始信号数据输送至在上位机部署的多模态多级融合监测模型,通过对原始信号数据进行数据级融合、特征级融合以及决策级融合的多级融合,以准确地确定当前轴承工作状态;本发明实现了轴承多模态信息的采集与利用,解决仅单一振动信号监测方法对滚动轴承精度下降与微弱故障不敏感的问题,最大程度保留了用于轴承监测诊断的有用信息,因此有着更高的准确性与稳定性,克服现有多模态信息融合监测方法存在的信息未被充分利用问题,在轴承监测技术领域有着重要意义。
-
公开(公告)号:CN114739667B
公开(公告)日:2024-05-28
申请号:CN202210504165.7
申请日:2022-05-10
Applicant: 西安交通大学
IPC: G01M13/04 , G01M13/045 , G01D21/02
Abstract: 本发明公开一种多模态信息融合轴承润滑状态监测装置及方法,系统包括下位机和上位机,下位机设置在轴承体的固定部位,下位机包括信号采集模块、通信模块以及核心处理器模块,信号采集模块用于采集轴承转动过程中的超声、声音、振动、温度,信号采集模块连接核心处理器模块的输入端,核心处理器模块与通信模块通过I/O接口连接,下位机与上位机通过通信模块通信;下位机将监测得到的超声、声音、振动、温度等数据通过通信模块发送到上位机,或在下位机上进行本地备份保存,上位机接收下位机数据,进行数据存储、数据分析、数据显示和诊断;本发明所述系统缩短信号传播距离,超声信号长距离传输高频衰减问题得到解决,极大提升了信号的信噪比。
-
公开(公告)号:CN114818961B
公开(公告)日:2024-04-02
申请号:CN202210504155.3
申请日:2022-05-10
Applicant: 西安交通大学
IPC: G06F18/25 , G06F18/2415 , G06N3/045 , G06N3/084 , G06N3/09
Abstract: 本发明提供了一种滚动轴承多模态信息多级融合监测方法及系统;该方法在不改变轴承原有结构的前提下,获取轴承运行时的振动、声音、温度、转速多模态信号,并将原始信号数据输送至在上位机部署的多模态多级融合监测模型,通过对原始信号数据进行数据级融合、特征级融合以及决策级融合的多级融合,以准确地确定当前轴承工作状态;本发明实现了轴承多模态信息的采集与利用,解决仅单一振动信号监测方法对滚动轴承精度下降与微弱故障不敏感的问题,最大程度保留了用于轴承监测诊断的有用信息,因此有着更高的准确性与稳定性,克服现有多模态信息融合监测方法存在的信息未被充分利用问题,在轴承监测技术领域有着重要意义。
-
公开(公告)号:CN119557780A
公开(公告)日:2025-03-04
申请号:CN202411460157.2
申请日:2024-10-18
Applicant: 西安交通大学
IPC: G06F18/2431 , G06F18/214 , G06F18/25 , G06F18/213 , G01M13/045 , G06F123/02
Abstract: 本发明公开了一种用于滚动轴承的多传感器信息融合故障诊断的系统及方法,同时连续采集M个传感器的传感器信号,并按时间段划分得到(I+J)个样本,将其划分为训练集#imgabs0#和验证集#imgabs1#构建多传感器信息融合网络结构搜索空间SA=SO×SP以及用于控制所述多传感器信息融合网络结构搜索空间SA的多传感器信息融合网络结构参数αA={αO,αP},采用训练集#imgabs2#和验证集#imgabs3#同时对中得到的神经网络结构搜索空间SA的多传感器信息融合网络结构参数αA={αO,αP}和权重参数w进行更新,通过同时对特征提取单元和融合开始层进行搜索,得到最优多传感器融合网络结构SA*,使得网络搜索过程中的计算量减小,效率大幅提升,解决了当前滚动轴承多传感器信息融合故障诊断方法设计依赖人工经验与大量实验试错的过程繁琐问题。
-
-
-
-