-
公开(公告)号：CN112052902B
公开(公告)日：2023-05-23
申请号：CN202010929759.3
申请日：2020-09-07
Applicant: 北京信息科技大学
IPC: G06F18/24 , G06F18/213 , G06N3/0464 , G06N3/047 , G06N3/0442 , G06N3/045 , G01M13/045
Abstract: 本发明涉及一种滚动轴承故障诊断方法、系统、计算机程序及存储介质，其包括：将采集到的滚动轴承原始振动信号进行分段和二维堆叠后，得到二维数列；将二维数列代入卷积神经网络分支中，进行特征提取，同时提取时间域和空间域的特征；将截取的第n组数据代入长短时记忆网络分支中，得到和卷积神经网络运算后相同格式的数据；将经卷积网络分支处理的数据和经长短时记忆网络分支处理的数据利用残差网络的并联结构进行加权，并代入池化层中进行池化运算；重复前述步骤构建时空神经网络的网络层，构建若干层之后将输出数据代入最后的全连接层进行计算；再使用softmax进行分类，根据分类结果判断滚动轴承是否存在故障以及故障类型。
-
公开(公告)号：CN113935371A
公开(公告)日：2022-01-14
申请号：CN202111118518.1
申请日：2021-09-23
Applicant: 北京信息科技大学
IPC: G06K9/00 , G06N3/00 , G01M13/021 , G01M13/028
Abstract: 本发明涉及一种1.5维谱活跃频率的行星齿轮箱故障诊断方法及系统，其包括：采集行星齿轮箱原始振动信号，将所述原始振动信号分解为多个模态分量；将所述模态分量进行重构得到重构信号；对所述重构信号进行1.5维谱活跃频率分析提取故障特征频率，实现对行星齿轮箱的故障诊断。本发明能对行星齿轮箱故障特征频率进行准确提取，进而实现对行星齿轮箱的故障诊断。本发明能广泛在旋转机械故障诊断技术领域中应用。
-
公开(公告)号：CN112051064A
公开(公告)日：2020-12-08
申请号：CN202010929716.5
申请日：2020-09-07
Applicant: 北京信息科技大学
IPC: G01M13/045 , G06K9/00
Abstract: 本发明涉及一种旋转机械设备故障特征频率提取方法及系统，其包括：通过带通滤波器将采集到的旋转机械的振动信号划分为多个故障频带数据；采用Teager能量算子对不同故障频带的振动信号进行瞬态能量追踪，去掉能量数值低于平均能量值的故障频带数据，保留能量数值高于平均能量值的故障频带数据；利用改进自相关方法对保留的故障频带进行筛选，选取最优故障频带；对最优故障频带进行平方包络谱分析，提取故障特征频率，实现故障诊断。本发明能实现轴承故障特征频率的准确提取，进而对轴承的故障进行研究和分析。
-
公开(公告)号：CN109409378A
公开(公告)日：2019-03-01
申请号：CN201811206914.8
申请日：2018-10-17
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种纳西东巴经书的数字化处理方法，其包括以下步骤：采用东巴经书CCD数字采集系统对东巴经典古籍进行数字化采集；对采集到的东巴经典古籍图像信息进行自适应中值滤波去噪处理；对去噪后的东巴经典古籍图像信息进行图像二值化处理，增强目标文字图像与背景的对比度；对二值化处理后的东巴经典古籍图像中的文字进行边缘检测；对边缘检测后的东巴经典古籍图像中的文字进行切分；将切分后的东巴形文图像归一化，完成东巴经典古籍的数字化处理。本发明能降低图片偏差，提高东巴文的辨识率。
-
公开(公告)号：CN108896296A
公开(公告)日：2018-11-27
申请号：CN201810351068.2
申请日：2018-04-18
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种基于卷积神经网络的风电齿轮箱故障诊断方法，其步骤：采集各种故障类型下的状态振动信号，并进行时频变换获取振动时频图，建立风电机组齿轮箱故障样本库；随机选取训练样本建立卷积神经网络模型；调整每类故障样本图像像素，作为训练样本输入卷积神经网络，进行迭代训练并优化训练全局参数使卷积神经网络输出softmax损失函数值下降并收敛，得到训练好的卷积神经网络；再次采集风电机组齿轮箱故障振动信号作为待诊断样本，将待诊断样本进行时频变换生成时频图，并调整像素，输入训练好的卷积神经网络进行识别分类，输出故障样本属于各类故障的概率值，将最大概率值对应的故障类别作为该待诊断样本的故障类型。
-
Patent Agency Ranking
公开(公告)号：CN104897277B
公开(公告)日：2018-05-11
申请号：CN201510295830.6
申请日：2015-06-02
Applicant: 北京信息科技大学
IPC: G01H17/00
Abstract: 本发明涉及一种基于双谱熵的风力发电机组故障诊断方法，其步骤：采集风力发电机组在正常运行状态、轻度故障、中度故障以及重度故障下的振动信号；计算所有振动信号的故障特征带；建立故障疏离度检测模型；采集待检测风力发电机组的振动信号，将待检测振动信号进行故障特征带计算，得到的故障特征输入故障疏离度检测模型中，计算该故障状态与四类故障状态的故障疏离度,得到的最小疏离度即为该风机的故障状态。本发明能有效提取非平稳信号的故障特征，并进行风力发电机组的故障诊断，提高故障诊断的精度，可以广泛在风电机组设备故障诊断中应用。
-
公开(公告)号：CN117435987A
公开(公告)日：2024-01-23
申请号：CN202311292079.5
申请日：2023-10-08
Applicant: 北京信息科技大学
IPC: G06F18/2415 , G06F18/213 , G06N3/0464 , G06N3/06
Abstract: 本发明涉及一种旋转机械变工况故障诊断方法、系统、介质及计算设备，其包括：将旋转机械变工况下的一维原始振动信号输入基于联合注意力多尺度卷积神经网络的多尺度特征提取层，提取出不同尺度的故障特征；将不同尺度的故障特征输入特征提取层，进行不同形式的特征提取；将不同形式的特征进行拼接后，输入输出层进行故障识别，完成旋转机械变工况故障诊断。本发明能够有效在变转速、变噪声的运行环境下识别故障特征，并且在不同旋转部件、不同故障形式都有较高诊断准确性，具有较强的泛化能力。同时，也能保证良好的故障诊断及时性。
-
公开(公告)号：CN112668125B
公开(公告)日：2023-07-04
申请号：CN202110010711.7
申请日：2021-01-06
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种提高非完整小圆弧评价精度的方法、系统、介质及设备，其包括：确定预先建立的三次指数平滑预测模型的第一个最佳平滑系数；进一步确定其余最佳平滑系数；将最佳平滑系数拟合出平滑系数的变化趋势曲线，根据拟合公式获取数据点集外预测期数的平滑系数；利用数据点集外预测期数的平滑系数计算预测实测数据点集外的数据点；判断是否达到预先设定的预测期数，达到则将数据点集逆序；将原实测数据点集与预测数据点集合并形成新数据点集，将该新数据点集利用评价方法进行曲率参数评价，提高了非完整小圆弧评价精度。本发明能提高曲率半径参数评价的准确性，有效提高了非完整小圆弧曲率半径参数评价的稳定性和准确性。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.035 seconds)
