-
公开(公告)号:CN117726636A
公开(公告)日:2024-03-19
申请号:CN202311652137.0
申请日:2023-12-04
Applicant: 重庆邮电大学
IPC: G06T7/11 , G06T7/00 , G06V10/25 , G06V10/44 , G06V10/80 , G06V10/82 , G06V10/764 , G06V10/766 , G06N3/0464 , G06N3/045 , G06N3/0495 , G06N3/096
Abstract: 本发明公开了一种基于改进Mask R‑CNN的钢材表面缺陷分割方法,以Mask R‑CNN模型为基础,引入了ConvNeXt‑T骨干网络作为特征提取器,增加交错稀疏自注意力提升模型的全局表示能力,并采用多级区域特征融合的方式获取更全面的区域特征表达,最后通过知识蒸馏对分割模型运算规模进行优化。本发明提高了钢材表面缺陷识别的准确性、鲁棒性和高效性。
-
公开(公告)号:CN119514071A
公开(公告)日:2025-02-25
申请号:CN202411607950.0
申请日:2024-11-12
Applicant: 重庆邮电大学
IPC: G06F30/17 , G06F30/20 , G06F111/04 , G06F119/14
Abstract: 本发明涉及一种考虑非理想赫兹接碰的滚动轴承振动建模方法,属于轴承振动建模技术领域,包括以下步骤:S1:获取滚动轴承基本几何参数和材料参数;S2:计算滚动轴承载荷区角度范围;S3:计算滚动体与健康滚道接触几何参数;S4:计算滚动体与健康滚道接触力学参量;S5:计算保持架角速度参量;S6:计算滚动体圆周运动角位置和角速度参量;S7:计算所有滚动体与轴承健康滚道接触产生的变形和接触力;S8:计算滚动体与缺陷接碰蕴含的时变力学参量;S9:滚动轴承缺陷振动激励机理动力学建模。
-
公开(公告)号:CN118296962A
公开(公告)日:2024-07-05
申请号:CN202410484686.X
申请日:2024-04-22
Applicant: 重庆邮电大学
IPC: G06F30/27 , G01M13/045 , G06F119/14
Abstract: 本发明涉及故障诊断技术与信号处理分析技术领域,特别涉及一种圆柱滚子轴承内外滚道复合故障振动仿真方法。获取故障圆柱滚子轴承的相关参数、运行工况、采样频率以及仿真时长;利用获取的相关参数、运行工况、采样频率以及仿真时长,计算轴承圆周角度位置、轴承内部径向游隙、内滚道缺陷导致和外滚道缺陷导致的复合时变位移激励;利用轴承圆周角度位置、轴承内部径向游隙、内滚道缺陷导致的时变位移激励和外滚道缺陷导致的时变位移激励,构建基于缺陷角位置变换的圆柱滚子轴承复合故障模型。本发明可以更精确地模拟圆柱滚子轴承复合故障状态下的振动响应;对圆柱滚子轴承故障诊断方法研究和发展具有重要意义。
-
公开(公告)号:CN118114140A
公开(公告)日:2024-05-31
申请号:CN202311644085.2
申请日:2023-12-04
Applicant: 重庆邮电大学
IPC: G06F18/2415 , G06F18/214 , G06F18/213 , G06N3/045 , G06N3/047 , G06N3/0464 , G06N3/048 , G06N3/096 , G01H17/00
Abstract: 本发明属于故障诊断领域,具体涉及一种基于分布投影重放的旋转机械故障诊断方法;该方法包括:获取基类训练数据集和类增量训练数据集;初始化分布投影重放类增量故障诊断模型,分布投影重放类增量故障诊断模型包括投影网络和嵌入网络;将基类训练数据集输入到分布投影重放类增量故障诊断模型中进行基类训练;将类增量训练数据集输入到基类训练后的分布投影重放类增量故障诊断模型中进行类增量训练,完成模型训练,得到训练好的分布投影重放类增量故障诊断模型;获取待诊断的旋转机械振动数据并将其输入到训练好的分布投影重放类增量故障诊断模型中,得到故障诊断结果;本发明的方法能有效对类增量任务实现故障诊断。
-
公开(公告)号:CN119509980A
公开(公告)日:2025-02-25
申请号:CN202411431096.7
申请日:2024-10-14
Applicant: 重庆邮电大学
IPC: G01M13/045 , G01H17/00 , G06F18/241 , G06N3/0464 , G06N3/096 , G06N3/045 , G06N3/084
Abstract: 本发明请求保护一种基于包络谱知识蒸馏的滚动轴承故障诊断方法,其包括以下步骤:获取滚动轴承振动信号并进行样本划分和归一化处理;计算源工况样本的谱峭度,并以此确定包络解调的中心频率和带宽,从而进行包络解调,将解调样本送入教师网络Φ进行预训练;将源工况下原始振动样本和包络谱样本分别输入学生网络Ψ和预训练好的教师网络Φ,提取两个网络学习到的轴承健康状态表示建立包络谱知识蒸馏损失;并计算学生网络的预测损失,跨工况样本概率分布对齐损失以及健康状态表示的多样性损失;进行多损失反向传播,采用Adam优化器优化故障诊断网络的权值和偏置;最后,将目标工况样本输入训练好的故障诊断模型进行性能测试。
-
-
-
-