-
公开(公告)号：CN112284719B
公开(公告)日：2022-08-16
申请号：CN202010976229.4
申请日：2020-09-16
Applicant: 北京信息科技大学
IPC: G01M13/021 , G01M13/028 , G06F17/14 , G06F17/15
Abstract: 本发明涉及一种行星齿轮箱齿面磨损故障诊断方法及系统，其包括步骤：采用FSWT对原始振动信号进行频带选取，并进行信号重构；将重构信号进行Hilbert变换，得到低频调制信号；采用MOMEDA算法提取低频调制信号中的周期性故障脉冲，得到故障信号；对故障信号进行平方包络谱分析，突出故障信号中的瞬态能量成分，识别聚集在低频段的故障特征频率；对故障信号进行HEI量化处理，实现对行星齿轮箱齿面磨损的故障诊断。本发明能实现直接对行星齿轮箱故障特征频率的准确提取，进而对行星齿轮箱齿面磨损故障进行研究和分析。
-
公开(公告)号：CN111444871A
公开(公告)日：2020-07-24
申请号：CN202010251430.6
申请日：2020-04-01
Applicant: 北京信息科技大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G01M13/021 , G01M13/028
Abstract: 本发明涉及一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法，其步骤：采集行星齿轮箱在正常运行状态、齿面磨损、行星轮断齿及滚动体轴承缺失四种状态下的原始振动信号；对每一组原始振动信号都进行点数分割，构建样本数据集；利用多尺度一维深度卷积网络进行故障诊断。本发明可以构建出特征提取与故障诊断为一体的智能诊断网络，可以节约大量的人工操作，并且具有诊断精度高，鲁棒性强的特点。
-
公开(公告)号：CN106021354A
公开(公告)日：2016-10-12
申请号：CN201610304529.1
申请日：2016-05-10
Applicant: 北京信息科技大学
IPC: G06F17/30
CPC classification number: G06F16/00 , G06F17/2827 , G06F17/2872 , G06F16/21
Abstract: 本发明涉及一种东巴经典古籍数字化释读库的建立方法，其步骤：对现有东巴经典古籍资料进行采集并建立东巴经典古籍释读资料库，该释读资料库包括图形模板库、音频模板库和视频模板库；根据东巴经典古籍释读资料库建立东巴经典古籍释读数据库，释读数据库包括词意数据库、句意数据库和事件数据库；建立东巴经典古籍释读知识库对释读数据库进行管理：释读知识库根据释读规则对三种释读数据库进行释读内容的组合，并利用推理引擎促进释读数据库中词意数据库、句意数据库、事件数据库之间的融合；建立东巴经典古籍释读优化库，通过知识挖掘工具对释读数据库、释读知识库的内容进行频繁模式挖掘以及聚类分析，为释读数据库、释读知识库的释读规则优化及更新提供支持。
-
公开(公告)号：CN105921853A
公开(公告)日：2016-09-07
申请号：CN201610529591.0
申请日：2016-07-06
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种微型热电偶焊接机，其特征在于：该焊接机包括由箱体和面板构成的外壳和保护气瓶，以及设置在所述箱体内的时间继电器、电磁气阀、高压发生器、电源切换装置、锂电池、外部电源和工作室；所述时间继电器分别与所述电磁气阀、高压发生器和电源切换装置连接，所述电磁气阀用于控制所述保护气瓶的开关动作；所述电源切换装置输入端连接所述锂电池和外部电源，所述电源切换装置输出端连接所述高压发生器；所述高压发生器与所述工作室连接。本发明能克服原有手工焊接工艺的弊端，实现可靠稳定完成焊接两根不同材质直径为金属丝的目的。
-
公开(公告)号：CN104155134B
公开(公告)日：2016-08-17
申请号：CN201410384189.9
申请日：2014-08-06
Applicant: 北京信息科技大学
IPC: G01M99/00
Abstract: 本发明涉及一种高阶累积量特征提取方法适用性的判断方法，其包括以下步骤：(1)采用转子实验台模拟机械设备正常运行状态，采集转子实验台在正常运行状态下的振动信号；(2)利用转子实验台模拟机械设备在某一种故障下的轻度故障程度、中度故障程度和重度故障程度三种故障程度，并采集转子实验台在三种故障程度下的振动信号；(3)计算所有振动信号中每组振动信号1.5维谱；(4)判断1.5维谱特征提取方法对于机械设备故障劣化是否具有敏感性和趋势性，同时满足敏感性和趋势性的特征提取方法适用于该故障的机械设备故障趋势预测。本发明能准确的判断出1.5维谱特征提取方法适用于哪种故障类型，可以广泛在机械设备故障趋势预测中应用。
-
Patent Agency Ranking
公开(公告)号：CN105223275A
公开(公告)日：2016-01-06
申请号：CN201510816462.5
申请日：2015-11-23
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种基于稀疏矩阵的焊接缺陷诊断方法，其步骤：按照焊接工艺制作焊接标准试件，在部分试件的焊缝内部预置焊接缺陷；对预置焊接缺陷的试件和无焊接缺陷的焊接标准试件做弯曲变形实验取得声发射信号；对声发射信号进行时差滤波方法处理，获得声发射数据中的所有缺陷信号；获得无缺陷焊接试件、试件气孔焊接缺陷、夹渣焊接缺陷、焊接裂纹缺陷的时间、幅值历程图；通过时间、幅值历程图获得无缺陷稀疏矩阵、气孔缺陷稀疏矩阵、夹渣缺陷稀疏矩阵、裂纹缺陷稀疏矩阵；通过稀疏矩阵组成焊接缺陷类型库；根据焊接缺陷类型数据库对待诊断结构件进行焊接缺陷类型的诊断。本发明简便易行，能有效提高诊断的准确性，可以广泛在机械结构件在焊接加工领域中应用。
-
公开(公告)号：CN113920356A
公开(公告)日：2022-01-11
申请号：CN202111096164.5
申请日：2021-09-15
Applicant: 北京信息科技大学
IPC: G06V10/764 , G06V10/774 , G06V10/84 , G06N3/04 , G06N3/08 , G06Q50/06
Abstract: 本发明涉及一种改进胶囊网络的风电机组行星齿轮箱故障诊断方法及系统，其包括：采集风电机组行星齿轮箱四种状态的振动信号作为四组原始振动信号；所述四种状态为正常运行状态、齿面磨损、行星轮断齿及滚动体轴承缺失；对每一组所述原始振动信号都进行点数分割，构建样本数据集；利用所述样本数据集对改进胶囊神经网络模型进行训练，并由训练后的所述改进胶囊神经网络对恶劣工况条件下风电机组行星齿轮箱进行故障诊断。本发明可以构建出特征提取与故障诊断为一体的智能诊断网络，节省了大量的人工操作，在恶劣工况条件下仍然具有诊断精度高，鲁棒性强的特点。本发明可以广泛在机械故障诊断技术领域中应用。
-
公开(公告)号：CN112284719A
公开(公告)日：2021-01-29
申请号：CN202010976229.4
申请日：2020-09-16
Applicant: 北京信息科技大学
IPC: G01M13/021 , G01M13/028 , G06F17/14 , G06F17/15
Abstract: 本发明涉及一种行星齿轮箱齿面磨损故障诊断方法及系统，其包括步骤：采用FSWT对原始振动信号进行频带选取，并进行信号重构；将重构信号进行Hilbert变换，得到低频调制信号；采用MOMEDA算法提取低频调制信号中的周期性故障脉冲，得到故障信号；对故障信号进行平方包络谱分析，突出故障信号中的瞬态能量成分，识别聚集在低频段的故障特征频率；对故障信号进行HEI量化处理，实现对行星齿轮箱齿面磨损的故障诊断。本发明能实现直接对行星齿轮箱故障特征频率的准确提取，进而对行星齿轮箱齿面磨损故障进行研究和分析。
-
公开(公告)号：CN107621367B
公开(公告)日：2019-10-01
申请号：CN201710718344.X
申请日：2017-08-21
Applicant: 北京信息科技大学
IPC: G01M13/045
Abstract: 本发明涉及一种基于对角切片谱和灰色关联度的滚动轴承损伤程度评估方法，其步骤：利用已有转子实验台模拟设备运行状态，采集转子实验台的振动信号；对所有振动信号进行三阶累积量对角切片谱操作，获得正常信号和不同故障程度下的频谱图；对三阶累积量对角切片数据做灰色关联度分析，获得轴承前期故障信号的损伤直径‑灰色关联度曲线图；采集实际设备的未知故障振动信号，对振动信号进行前述步骤处理，制作出对应的对角切片谱，得到轴承故障频率，判断故障位置；计算实际设备未知故障的振动信号无量纲指标与正常信号灰色关联度值，将其描绘在轴承损伤直径和关联度拟合曲线图中，根据关联度在曲线上的位置，判断轴承损伤直径的大小。
-
公开(公告)号：CN109443752A
公开(公告)日：2019-03-08
申请号：CN201811206915.2
申请日：2018-10-17
Applicant: 北京信息科技大学
IPC: G01M13/021 , G01M13/028
Abstract: 本发明涉及一种基于VMD的齿轮振动信号降噪及故障诊断方法，其步骤：采集齿轮在正常运行状态、点蚀故障、磨损故障以及断齿故障下的振动信号xw(n)＝{xw(1),...,xw(N)}，其中，N代表每组数据个数，w代表数据组别，w＝1、2、3、4，分别代表正常运行状态、点蚀故障状态、磨损故障状态、断齿故障状态；对xw(n)＝{xw(1),...,xw(N)}中正常运行状态下的原始振动信号x1(n)进行VMD-模平方阈值处理；将所有齿轮振动信号xw(n)按照步骤2)进行VMD-模平方阈值处理，得到处理后的信号 提取处理后的信号 的每组信号的峭度和均方根值组成特征向量K和R；利用PNN进行故障诊断。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.028 seconds)
