-
公开(公告)号：CN110555230A
公开(公告)日：2019-12-10
申请号：CN201910630036.0
申请日：2019-07-12
Applicant: 北京交通大学
Abstract: 本发明公开了一种基于集成GMDH框架的旋转机械剩余寿命预测方法，所述方法包括以下步骤：S1，采集多个同一种类旋转机械从正常运行到故障失效过程中的多个传感器数据，通过数据处理，得到训练数据集合W；S2，将数据集通过不同的划分，分别用于构建三个具有差异性的GMDH预测网络；S3，将三个GMDH网络在训练样本上的预测输出作为三层BP神经网络的输入对BP神经网络进行训练，该BP神经网络用于对三个GMDH网络的预测结果进行集成；S4，利用所述集成GMDH框架对旋转机械剩余寿命进行预测，计算并输出剩余寿命预测值。本发明与经典的LSTM网络和单个GMDH网络相比，能有效提高预测精度和泛化能力，具有更大的实际指导意义。
-
公开(公告)号：CN110320018A
公开(公告)日：2019-10-11
申请号：CN201910630019.7
申请日：2019-07-12
Applicant: 北京交通大学
IPC: G01M13/00
Abstract: 本发明公开了一种基于二阶循环平稳特性的旋转机械复合故障诊断方法，包括以下步骤：S1，采集旋转机械的振动加速度信号，利用短时傅里叶变换(STFT)将原始信号转换到时频域；S2，根据二阶循环平稳特性，建立时间相关的随机模型；S3，通过最大化似然目标函数，即最大期望(EM)算法，进行模型求解；S4，根据模型参数估计值，量化原始信号的循环平稳特性；S5，根据S1-S4步骤，联合时间域的循环平稳信号 模型参数估计值和循环平稳指数CS(fk)等信息，计算出相应的故障特征频率。本发明针对旋转机械复合故障信号，提出了一种循环平稳指数CS，能有效量化原始信号的循环平稳性，且能有效提高多源混叠工况下故障诊断的准确性，并且容易与现有方法进行兼容。
-
公开(公告)号：CN110320018B
公开(公告)日：2020-08-11
申请号：CN201910630019.7
申请日：2019-07-12
Applicant: 北京交通大学
IPC: G01M13/00
Abstract: 本发明公开了一种基于二阶循环平稳特性的旋转机械复合故障诊断方法，包括以下步骤：S1，采集旋转机械的振动加速度信号，利用短时傅里叶变换(STFT)将原始信号转换到时频域；S2，根据二阶循环平稳特性，建立时间相关的随机模型；S3，通过最大化似然目标函数，即最大期望(EM)算法，进行模型求解；S4，根据模型参数估计值，量化原始信号的循环平稳特性；S5，根据S1‑S4步骤，联合时间域的循环平稳信号模型参数估计值和循环平稳指数CS(fk)等信息，计算出相应的故障特征频率。本发明针对旋转机械复合故障信号，提出了一种循环平稳指数CS，能有效量化原始信号的循环平稳性，且能有效提高多源混叠工况下故障诊断的准确性，并且容易与现有方法进行兼容。
-
公开(公告)号：CN110555230B
公开(公告)日：2021-02-26
申请号：CN201910630036.0
申请日：2019-07-12
Applicant: 北京交通大学
IPC: G06F30/17 , G06F30/20 , G06N3/08 , G06N3/04 , G06F119/04
Abstract: 本发明公开了一种基于集成GMDH框架的旋转机械剩余寿命预测方法，所述方法包括以下步骤：S1，采集多个同一种类旋转机械从正常运行到故障失效过程中的多个传感器数据，通过数据处理，得到训练数据集合W；S2，将数据集通过不同的划分，分别用于构建三个具有差异性的GMDH预测网络；S3，将三个GMDH网络在训练样本上的预测输出作为三层BP神经网络的输入对BP神经网络进行训练，该BP神经网络用于对三个GMDH网络的预测结果进行集成；S4，利用所述集成GMDH框架对旋转机械剩余寿命进行预测，计算并输出剩余寿命预测值。本发明与经典的LSTM网络和单个GMDH网络相比，能有效提高预测精度和泛化能力，具有更大的实际指导意义。
-
-
-
Search Results
4
records
(took 0.01 seconds)
