-
公开(公告)号：CN116358871B
公开(公告)日：2024-01-23
申请号：CN202310321870.8
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/241 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种图卷积网络的滚动轴承微弱信号复合故障诊断方法，所述方法采用多尺度熵的方法，将信号通过滑窗分段为N段，再将每段的时域信号进行精细复合多尺度熵特征提取，应用高斯核函数对不同形式的邻接矩阵定义不同的权值。为了实现图级别的故障诊断，使用具有图池化层和读出层的GCN来获得整个图的表示，获得图表示后，可以在此表示上执行标准机器学习技术。通过实验验证表明，与时域或者频域的节点构建方法相比，精细复合多尺度熵考虑了所有熵值的互相关来评估故障检测中的动态条件，边连接方式使得故障信息只会在相同类型故障节点之间进行传递更新，能够有效识别滚动轴承的复合故障类型，提高故障诊断的效率。
-
公开(公告)号：CN111695521B
公开(公告)日：2022-06-10
申请号：CN202010539588.3
申请日：2020-06-15
Applicant: 哈尔滨理工大学
Abstract: 基于Attention‑LSTM的滚动轴承性能衰退预测方法，属于旋转机械性能监测领域。首先，针对设备性能衰退评估过程中缺乏性能衰退指标以及监测信号难以直观表征轴承性能衰退特性的问题，通过时域与频域分析生成多个备选特征指标并采用相关性、单调性和鲁棒性三个指标其进行评价筛选，将特征值曲线通过固定窗均值化处理得到HI曲线和残差曲线，并提出基于阶跃稳态的性能衰退评估方法，定量直观地反映轴承性能衰退程度。最后，针对传统方法过度依赖专家经验及处理复杂时间序列预测精度低的问题，提出基于Attention‑LSTM的性能衰退预测方法，采用注意力机制提高对性能阶跃点前后数据的学习能力，加强了预测模型对衰退特征的反应敏感度。本发明通过实验验证了该预测方法具有更高的预测精度，鲁棒性和泛化能力。
-
公开(公告)号：CN107300856B
公开(公告)日：2020-04-17
申请号：CN201710524963.5
申请日：2017-06-30
Applicant: 哈尔滨理工大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于FDA和SVDD的旋转机械剩余寿命预测方法，所述方法使用函数型数据分析(FDA)方法把采集到的离散数据转化为光滑函数来解决信息量的丢失或模型估计失真等问题，使用SVDD来识别机械运行状况以减小采集样本的需求和提供预测的准确性，计算测试样本的SVDD模型半径并与全生命周期的时间半径轨迹比较以得到预测结果。本发明有效地降低了旋转机械剩余寿命预测所需的采集样本时间，提高了预测的准确性。
-
公开(公告)号：CN105978457A
公开(公告)日：2016-09-28
申请号：CN201610469483.9
申请日：2016-06-25
Applicant: 哈尔滨理工大学
IPC: H02S20/30
CPC classification number: H02S20/30
Abstract: 本发明公开了一种空间太阳电池阵重复锁紧装置，包括驱动曲柄机构、拉杆机构、滑动锁紧机构和板间铰链；所述滑动锁紧机构主要由锁紧支座、摆杆、锁钩、滑动销轴、第四销轴和第五销轴构成，其中锁紧支座的底端通过铆钉固定连接在底座上，而摆杆的中部通过第四销轴活动连接在锁紧支座上，所述摆杆的一端通过第五销轴连接锁钩的底部，锁钩的中部活动连接滑动销轴，滑动销轴的两端滑动连接在锁紧支座上的滑槽内，而锁钩的顶部勾住板间铰链的转轴。本发明将纵向压力转换为横向拉力，可以通过很小的驱动力矩实现较大锁紧载荷的需求，并且锁紧释放过程中产生的冲击力极小，对其他空间系统和飞行器的姿态产生的影响可忽略。
-
公开(公告)号：CN105718961A
公开(公告)日：2016-06-29
申请号：CN201610085890.X
申请日：2016-02-15
Applicant: 哈尔滨理工大学
CPC classification number: G06K9/6256 , G06K9/00503 , G06K9/00523 , G06K9/00536 , G06K9/6269
Abstract: 本发明公开了一种基于CEEMD与图像纹理特征的旋转机械智能故障诊断方法，采集旋转机械不同故障状态或者程度下的故障振动信号；基于CEEMD结合小波阀值的降噪方法对采集到的故障振动信号进行降噪处理，然后将这些数据分为训练数据组与测试数据组；对训练数据组与测试数据组中的数据分别进行时频分析提取SPWVD时频分布图，并且从中择优组成故障特征集；采用训练数据组得到的故障特征集对SVM分类器参数进行寻优，使用最佳的参数值获得最优的SVM分类器，建立故障诊断模型；采用测试数据组作为故障诊断模型的输入值，进行故障诊断测试得到分类结果和精度。本发明在保持信号完整性的同时很好地完成了降噪处理，提取优越的故障特征，完成故障诊断过程。
-
Patent Agency Ranking
公开(公告)号：CN115017955B
公开(公告)日：2025-04-01
申请号：CN202210703794.2
申请日：2022-06-21
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/10 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了基于半监督图卷积的行星齿轮箱故障诊断方法，本发明涉及旋转机械故障诊断方法领域，本发明为了解决现有的旋转机械故障诊断方法的准确率低的问题。本发明利用自编码器降噪网络对所述原始数据进行降噪处理；对降噪后的数据进行特征提取，得到特征矩阵，对所述特征矩阵进行降维处理；求取所述降维处理后的特征矩阵中各数据之间的无向图，将所述降维后矩阵和数据之间无向图输入半监督图卷积神经网络故障诊断模型中，得到诊断结果。本发明能够对行星齿轮箱故障进行准确诊断。
-
公开(公告)号：CN114841208B
公开(公告)日：2024-11-01
申请号：CN202210525015.4
申请日：2022-05-14
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/10 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本发明公开了基于SAE与TCN‑Attention模型的滚动轴承性能衰退预测方法及装置，涉及机械性能衰退预测预测领域。本发明针对满足对所监测的滚动轴承性能变化趋势的需求的问题。本发明获取滚动轴承的原始振动信号数据，经降噪后进行特征提取，得到时域特征衰退指标和频域特征衰退指标；将所述时域特征衰退指标和频域特征衰退指标输入SAE模型中，得到融合后的特征指标；将融合后的特征指标输入TCN‑Attention模型中，得到滚动轴承性能衰退趋势，得到滚动轴承性能衰退趋势；本发明能够实现滚动轴承性能衰退的高精度预测。
-
公开(公告)号：CN116358871A
公开(公告)日：2023-06-30
申请号：CN202310321870.8
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/241 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种图卷积网络的滚动轴承微弱信号复合故障诊断方法，所述方法采用多尺度熵的方法，将信号通过滑窗分段为N段，再将每段的时域信号进行精细复合多尺度熵特征提取，应用高斯核函数对不同形式的邻接矩阵定义不同的权值。为了实现图级别的故障诊断，使用具有图池化层和读出层的GCN来获得整个图的表示，获得图表示后，可以在此表示上执行标准机器学习技术。通过实验验证表明，与时域或者频域的节点构建方法相比，精细复合多尺度熵考虑了所有熵值的互相关来评估故障检测中的动态条件，边连接方式使得故障信息只会在相同类型故障节点之间进行传递更新，能够有效识别滚动轴承的复合故障类型，提高故障诊断的效率。
-
公开(公告)号：CN116223043A
公开(公告)日：2023-06-06
申请号：CN202310321868.0
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/10 , G06F18/213 , G06N3/006
Abstract: 基于VMD和级联随机共振联合的滚动轴承微弱信号检测方法，属于旋转机械故障诊断技术领域。通过获取滚动轴承的原始振动信号数据，经希尔伯特变换获得其S(t)包络谱，使信号通过高通滤波器，滤波后信号输入ACSRS进行增强。然后，采用量子粒子群算法对级联随机共振中的参数进行自适应寻优，对第一级级联随机共振系统的输出进行VMD分解，直至能量损失因子g以及相关性r满足条件，确定特征频率在IMF分量中的位置。最后根据提取到的特征信号，对增强后的信号进行分解与重构，实现多频微弱信号故障检测。本发明通过实验验证了该方法在减少VMD分解次数的基础上提高运算效率，使得重构后的滚动轴承微弱信号复合故障更易识别。
-
公开(公告)号：CN114993680A
公开(公告)日：2022-09-02
申请号：CN202210608226.4
申请日：2022-05-31
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种滚动轴承剩余寿命预测方法，涉及滚动轴承寿命预测领域。本发明针对现有的轴承剩余预测方法存在预测精度低的问题。本发明将所述降噪后的信号进行分解重构为短时序列矩阵，通过多尺度融合排列熵方法提取特征；将提取的特征数据输入神经网络中，得到滚动轴承预测的剩余寿命趋势。能够反映出更多轴承剩余寿命随时间变化的趋势，具有良好的剩余寿命预测精度。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.022 seconds)
