-
公开(公告)号：CN111881736A
公开(公告)日：2020-11-03
申请号：CN202010560719.6
申请日：2020-06-18
Applicant: 东南大学
IPC: G06K9/00 , G06F17/14 , G01M13/045
Abstract: 本发明涉及一种基于带宽傅立叶分解的滚动轴承早期故障诊断方法，带宽傅立叶分解算法首先在频域内将原始信号分解为稀疏的窄带子信号，然后通过傅立叶逆变换将各窄带子信号转换为时域的带宽模态函数。原始振动信号被分解为带宽模态函数之后，通过希尔伯特变换求带宽模态函数的包络谱并计算其故障特征频率比。最后，挑选出故障特征频率比最大的带宽模态函数并分析其包络谱特征，以实现滚动轴承早期故障的有效诊断。本发明具有计算速度快，故障识别精度高的特点，能有效的应用于滚动轴承早期微弱故障的诊断。
-
公开(公告)号：CN111767811A
公开(公告)日：2020-10-13
申请号：CN202010559601.1
申请日：2020-06-18
Applicant: 东南大学
Abstract: 本发明涉及一种基于带宽傅立叶分解的非平稳信号分析方法。带宽傅立叶分解首先通过傅立叶变换将原始的时域信号转换为频域信号，然后通过傅立叶谱带宽优化算法将频域信号分解为稀疏的窄带子信号，并通过傅立叶逆变换将频域的窄带子信号转换为时域的带宽模态分量。最后，本发明通过希尔伯特变换提取信号的时频特征。与现有的方法相比，本发明有更强的信号分解能力，抗噪声鲁棒性和非平稳信号分析能力，能有效的应用于复杂非平稳信号的时频特征分析。
-
公开(公告)号：CN110398364A
公开(公告)日：2019-11-01
申请号：CN201910604394.4
申请日：2019-07-05
Applicant: 东南大学
IPC: G01M13/028
Abstract: 本发明公开了一种基于共振稀疏分解和FastICA算法的行星齿轮箱故障诊断方法，包括如下步骤：1)首先使用共振稀疏分解方法将振动信号分解成高共振分量和低共振分量，剔除含有宽带信号的低共振分量；2)将含有行星齿轮箱的高共振分量作为观测信号，再对观测信号进行一次共振稀疏分解，构成虚拟通道信号；3)利用快速独立分量分析算法对观测信号和虚拟通道信号进行处理，分离出有效的故障特征分量，从而识别故障类型。本发明能够有效的提取行星齿轮箱的故障特征频率，解决EMD去噪过程中故障信息丢失、模态混叠的问题，同时也可以解决ICA中源信号数与观察信号数不同所带来的分解不准确的问题，还能准确清晰的提取出行星齿轮箱的故障特征频率。
-
公开(公告)号：CN115115090B
公开(公告)日：2025-04-01
申请号：CN202210543841.1
申请日：2022-05-18
Applicant: 东南大学
IPC: G06F18/2433 , G06Q50/06 , G06F18/23213 , G06F18/25 , G06Q10/04 , G06N3/0442 , G06N3/0464 , G06N3/045 , G06N3/08 , H02J3/00
Abstract: 本发明涉及一种基于改进LSTM‑CNN的风功率短期预测方法，包括获取风电场风功率历史数据和对应时间的数值天气预报数据，并对数据进行预处理和拼接形成多维时序数据集；将数据集按照时间划分为分别代表四个季节的四组样本，利用K‑means算法对每组样本进行聚类，将每组样本划分为若干个聚类类别；选取目标聚类类别的样本划分训练集和测试集，将训练集输入到改进LSTM‑CNN预测模型中进行模型训练；将测试集输入到训练好的预测模型中，得到对应的短期风功率预测数据。通过聚类找到对预测精度影响最大的样本，提高了预测效率，通过改进预测模型提取多尺度特征，弥补传统预测算法对复杂天气情况下风功率预测精度不高的缺陷。
-
公开(公告)号：CN114781708B
公开(公告)日：2025-02-14
申请号：CN202210373030.1
申请日：2022-04-11
Applicant: 东南大学
IPC: G06Q10/04 , G06Q50/06 , G06N3/0455 , G06N3/0464 , G06N3/08 , H02J3/00
Abstract: 本发明公开了一种基于轻量级自编码网络的短期风功率预测方法，涉及测量技术领域，解决了风功率预测准确性较低的技术问题，其技术方案要点是通过轻量级自编码网络对短期风功率进行预测，具有特征学习效率高的优势，对于不同的风机的功率预测任务，适用性更强；能有效的提取复杂天气情况下的风功率信息，预测准确率高；参数量少，所需计算与存储成本小，网络结构轻量级，能够满足工业物联网对深度学习算法提出的“小，轻，快”的应用需求，可以较好的应用于各大风电场的短期风功率预测。
-
Patent Agency Ranking
公开(公告)号：CN112633331B
公开(公告)日：2024-07-12
申请号：CN202011439021.5
申请日：2020-12-07
Applicant: 东南大学
IPC: G06F18/2135 , G06N3/0455 , G06Q10/0639 , G06Q50/06
Abstract: 本发明提供了涉及一种基于自编码器的火电厂健康状态评估方法，基于Pearson相关系数的相关性分析首先对辅机多维历史数据特征进行关联性分析，筛除关联性较低的特征，保留关联度较高的特征。筛选完成的历史数据特征需要通过主成分分析方法进行分解，按照累计方差贡献率达到一定比例，计算出主成分的个数。最后，将筛选完成的历史数据送入自编码器进行建模，隐藏层神经元个数由主成分分析方法得到的累计方差贡献率决定。多源实时数据输入自编码器模型进行重构，计算原始数据和重构数据误差，通过设计允许误差限，对辅机健康状态进行实时评估。本发明具有计算速度快、实时性高的特点，能有效地应用于火电厂辅机健康状态评估。
-
公开(公告)号：CN115115090A
公开(公告)日：2022-09-27
申请号：CN202210543841.1
申请日：2022-05-18
Applicant: 东南大学
Abstract: 本发明涉及一种基于改进LSTM‑CNN的风功率短期预测方法，包括获取风电场风功率历史数据和对应时间的数值天气预报数据，并对数据进行预处理和拼接形成多维时序数据集；将数据集按照时间划分为分别代表四个季节的四组样本，利用K‑means算法对每组样本进行聚类，将每组样本划分为若干个聚类类别；选取目标聚类类别的样本划分训练集和测试集，将训练集输入到改进LSTM‑CNN预测模型中进行模型训练；将测试集输入到训练好的预测模型中，得到对应的短期风功率预测数据。通过聚类找到对预测精度影响最大的样本，提高了预测效率，通过改进预测模型提取多尺度特征，弥补传统预测算法对复杂天气情况下风功率预测精度不高的缺陷。
-
公开(公告)号：CN114441172A
公开(公告)日：2022-05-06
申请号：CN202111627847.9
申请日：2021-12-28
Applicant: 东南大学
IPC: G01M13/045 , G06F17/15
Abstract: 本发明涉及一种滚动轴承故障振动信号分析方法，包括：S1获得原始振动信号，计算特征频率；S2初始化粒子群算法的参数，设定寻优滤波器长度的范围及迭代次数；S3初始化滤波器，对振动信号采用基于平方包络谱的盲反卷积进行滤波处理，得滤波信号；S4计算滤波信号的故障特征频率比，将故障特征频率比的最大值作为粒子群算法的适应度函数，更新粒子群算法中粒子的速度和位置；S5重复步骤S3至S4，至粒子的最佳位置不发生改变或者达设定迭代次数，输出最优滤波器长度；S6获得最优滤波器长度对应的滤波器滤波后的信号，对滤波后的信号进行包络分析，识别故障类型。本发明可在强噪声和谐波干扰条件下提取滚动轴承的故障特征。
-
公开(公告)号：CN112577748A
公开(公告)日：2021-03-30
申请号：CN202011461492.6
申请日：2020-12-07
Applicant: 东南大学
IPC: G01M13/045 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，首先利用构建的CNN模型对原始振动信号进行多维度特征提取，随后将其输入轻量级多尺度特征学习网络提取多尺度特征，并对学到的多尺度特征利用判别性故障特征强化机制(DFRM)进行选择性强化，以增强故障特征，弱化一般性特征。然后将强化后的多尺度特征进行融合，重复上述步骤数次，将最终获得的高等级抽象特征映射输入分类器进行训练，最后根据训练好的CNN模型对待测样本进行故障识别，从而实现对滚动轴承的故障诊断。本发明弥补了传统CNN算法在面对复杂工况和强噪声干扰情况下判别性故障特征提取能力不够的缺陷，满足了工业物联网对深度学习模型提出的轻量级需求。
-
公开(公告)号：CN112163474A
公开(公告)日：2021-01-01
申请号：CN202010966319.5
申请日：2020-09-15
Applicant: 东南大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G01M13/045
Abstract: 本发明针对单视角特征及单一模型对齿轮箱中滚动轴承复合故障的诊断准确率较低的问题，提出了基于比例冲突分配规则的模型融合故障诊断方法。包括如下步骤：1)对齿轮箱振动信号进行特征提取，针对复杂复合故障，从时域及时频域角度构造特征。2)将多视角特征送入多个子模型中进行初步诊断，得到互补性强的诊断结果。3)模型输出的分类概率由第6类比例冲突分配规则进行融合。实验证明本发明融合模型所得出的结果具有较高的稳定性，并在一定条件下可以提高故障诊断的准确率。
-
-
-
-
-
-
-
-
-
Search Results
30
records
(took 0.018 seconds)
