-
公开(公告)号：CN115048960A
公开(公告)日：2022-09-13
申请号：CN202210666304.6
申请日：2022-06-13
Applicant: 郑州恩普特科技股份有限公司
IPC: G06K9/00 , G06K9/62 , G06N3/08 , G01M13/045
Abstract: 本发明属于机械系统振动状态监测技术领域，具体涉及一种设备状态检测方法，本发明通过采集多工况的正常数据并通过正常数据的学习，通过构建仅使用正常的多工况振动数据训练样本进行对深度学习模型的学习、训练，以实现异常状态的实时在线识别。具体地，通过深度学习网络提取数据的本质特征，然后依据建立的异常监测阈值来实现对各类异常数据的判别。并且本发明方法充分利用了时域、频域、自相关信息，通过深度自编码器进行特征提取可以捕捉到多工况正常样本的本质特征，有效提升在多工况下的振动状态异常检测能力。由此，本发明解决了现有技术中异常检测准确度低的问题。
-
公开(公告)号：CN113884300A
公开(公告)日：2022-01-04
申请号：CN202111123632.3
申请日：2021-09-24
Applicant: 郑州恩普特科技股份有限公司 , 韩捷
IPC: G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种深度对抗迁移学习的滚动轴承故障诊断方法，属于机械系统智能诊断领域。本发明采用深度对抗迁移学习的网络模型对滚动轴承故障进行诊断，该模型包括特征提取层、故障分类层、全局域对抗层和局部域对抗层。模型采用分类损失、全局域对抗损失和局部故障类对抗损失之和作为损失函数进行训练，确保在训练过程中通过带故障标签的源域数据实现目标域故障的准确分类。本发明能够在有效构建故障分类器的同时，通过域对抗和类别对抗学习保证其源域故障和目标域故障的共有特征属性处于同一分布上，进而减少源域与目标域的特征分布差异，提高了对滚动轴承的故障分类的准确率。
-
公开(公告)号：CN109784127A
公开(公告)日：2019-05-21
申请号：CN201711107379.6
申请日：2017-11-10
Applicant: 郑州大学 , 郑州恩普特科技股份有限公司 , 韩捷
Abstract: 本发明涉及一种设备健康状态预警方法及其系统，具体公开了一种基于高维(Hyper Dimension,HD)-支持向量回归机(Support Vector Regression,SVR)技术的大数据设备预警方法。根据设备运行历史健康数据建立设备的健康集，采集设备当前状态的运行数据作为观测向量，并由健康集得到的对应状态的预测向量，通过残差向量即观测向量与预测向量之差来判定当前设备运行状态健康程度，以实现实时的高维数据监测、异常工况预警。同时利用支持向量回归机对设备进行故障预测。
-
公开(公告)号：CN109784127B
公开(公告)日：2023-08-01
申请号：CN201711107379.6
申请日：2017-11-10
Applicant: 郑州大学 , 郑州恩普特科技股份有限公司 , 韩捷
IPC: G06F18/25 , G06F18/10 , G06F18/214 , G06F18/23
Abstract: 本发明涉及一种设备健康状态预警方法及其系统，具体公开了一种基于高维(Hyper Dimension,HD)‑支持向量回归机(Support Vector Regression,SVR)技术的大数据设备预警方法。根据设备运行历史健康数据建立设备的健康集，采集设备当前状态的运行数据作为观测向量，并由健康集得到的对应状态的预测向量，通过残差向量即观测向量与预测向量之差来判定当前设备运行状态健康程度，以实现实时的高维数据监测、异常工况预警。同时利用支持向量回归机对设备进行故障预测。
-
公开(公告)号：CN115186707A
公开(公告)日：2022-10-14
申请号：CN202210803111.0
申请日：2022-07-07
Applicant: 郑州恩普特科技股份有限公司
IPC: G06K9/00 , G01M13/021
Abstract: 本发明提出了一种简易齿轮箱故障检测方法，用以解决现有齿轮故障检测方法复杂度高，准确性差的技术问题。本发明等间隔连续采集齿轮箱m组振动信号并预处理，筛选出齿轮故障的敏感特征；对敏感特征的数据进行数据预处理；将前q组数据等分为p个区间，使用最小二乘法计算敏感特征在第i个区间的斜率值，利用斜率值构造数据矩阵；使用熵值法计算出敏感特征的权重值；使用和积法利用权重值和斜率值计算第i个区间的齿轮劣化指数，基于中心极限定理计算齿轮劣化指数的报警值；对后r组数据计算出齿轮劣化指数；若齿轮劣化指数≥w，判断齿轮发生故障；否则，齿轮未发生故障。本发明可以自动检测齿轮箱健康状况，显著提高齿轮故障识别准确性。
-
Patent Agency Ranking
公开(公告)号：CN110163190A
公开(公告)日：2019-08-23
申请号：CN201910522045.8
申请日：2019-06-17
Applicant: 郑州大学 , 郑州恩普特科技股份有限公司 , 韩捷
IPC: G06K9/00 , G01M13/045
Abstract: 本发明提供一种滚动轴承故障诊断方法及装置，属于故障诊断技术领域。该方法包括：利用加速度传感器获取待测滚动轴承的振动加速度信号的时域数据序列；利用所述时域数据序列计算峰值指标、峭度指标和波形指标；若其中某个指标的值大于该指标的正常值，则对所述时域数据序列作高通滤波处理和分段处理，得到新的时域数据序列；对所述新的时域数据序列重采样，利用重采样后的时域数据序列计算得到频谱；若频谱中的幅值最大值大于故障报警值，则判断待测滚动轴承故障。本发明依据有故障发生时待测滚动轴承频谱的故障特征频率处的幅值必定包含在频谱的前几个幅值最大值中，实现待测滚动轴承的故障诊断，诊断结果能客观反映待测滚动轴承的真实故障情况。
-
公开(公告)号：CN107704712A
公开(公告)日：2018-02-16
申请号：CN201711047493.4
申请日：2017-10-31
Applicant: 郑州恩普特科技股份有限公司 , 韩捷
CPC classification number: G06F17/5009 , G06F17/30424 , G06F17/30595 , G06K9/6288 , G06N5/022
Abstract: 本发明涉及基于全矢谱特征提取的机械故障诊断方法和系统，首先，采集机组的振动类参量、工艺类参量和电气类参量；然后，将上述三类参量进行故障特征提取，分别得到振动特征量、工艺特征量和电气特征量；最后，将振动特征量、工艺特征量和电气特征量与振动特征量知识库、工艺特征量知识库和电气特征量知识库进行相应比对，根据比对结果进行故障诊断。在数据采集和提取过程中，除了获取振动类参量之外，还获取工艺类参量和电气类参量，结合这三种参量进行机械故障诊断。因此，该诊断方法更加全面，根据多方位的数据信息诊断机械的运行状态，大幅度提升诊断可靠性和准确性，避免传统机械智能诊断时特征量过于单一以致造成漏判或误判的弊端。
-
公开(公告)号：CN107701468A
公开(公告)日：2018-02-16
申请号：CN201710892944.8
申请日：2017-09-27
Applicant: 郑州大学 , 郑州恩普特科技股份有限公司 , 韩捷
IPC: F04D15/00
Abstract: 本发明涉及一种混流泵在线综合监测方法及装置，该方法包括：采集混流泵机组实时运行状态数据以及历史运行状态数据，制定不同类型的评价指标；根据历史运行状态数据，构建反映不同类评价指标对应的故障状态的状态识别模型；将实时运行状态数据组中代表各评价指标的实时运行状态数据输入到对应的状态识别模型，计算出相应的差别系数或残差；判断差别系数或残差是否高于设定的安全预警线，若高于安全预警线，则判定混流泵机组相应的评价指标处于故障状态，进行状态预警。本发明根据混流泵历史运行状态数据构建状态识别模型，将混流泵实时运行状态数据输入到该状态识别模型，以判断混流泵的安全状态，预测混流泵设备的潜在故障。
-
公开(公告)号：CN114971351A
公开(公告)日：2022-08-30
申请号：CN202210651155.6
申请日：2022-06-09
Applicant: 郑州恩普特科技股份有限公司
Abstract: 本发明涉及一种基于熵值法的设备多指标健康状况评估方法，属于设备状态监测和故障诊断领域。本发明通过建立数字化模型和对应的多指标评价模型，利用所建立的多指标评价模型来全面评价部件的健康情况；其中多指标评价模型采用两级制，一级评价指标的权重根据经验来确定，二级评价指标的权重根据二级评价指标的自身熵值来确定，使得到的二级评价指标的权重更加客观；根据每个部件中各级评价指标的权重和二级评价指标自身的特征值确定出各部件的健康值，利用各部件的健康值确定出整个设备的健康状况。因此本发明能够结合设备自身特点，自动检测各部件健康状态，全面客观综合反映设备整体和各部件健康状况，为后续的设备正常运行提供了可靠的保障。
-
公开(公告)号：CN114112397A
公开(公告)日：2022-03-01
申请号：CN202111404762.4
申请日：2021-11-24
Applicant: 郑州恩普特科技股份有限公司
IPC: G01M13/045
Abstract: 本发明属于轴承故障诊断技术领域，具体涉及一种滚动轴承故障诊断方法。该方法首先对经典解卷积进行改进，在MED算法中D‑范数的基础上提出多点D‑范数，从而利用改进解卷积模型来提取冲击性特征信号，然后利用构造的最优带通滤波器对得到的冲击性特征信号进行滤波处理，最后对滤波后的冲击性特征信号进行分析，以确定滚动轴承是否发生故障。本发明可以准确提取出冲击性特征信号，可以准确判断滚动轴承是否发生故障，并可以检测出滚动轴承微弱故障。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.032 seconds)
