-
-
公开(公告)号：CN107702922A
公开(公告)日：2018-02-16
申请号：CN201710810504.3
申请日：2017-09-11
Applicant: 南京信息工程大学
IPC: G01M13/04
CPC classification number: G01M13/045
Abstract: 本发明提出的基于LCD与堆叠自动编码器的滚动轴承故障诊断算法，包括如下步骤：采集滚动轴承的原始振动信号；先用LCD从原始振动信号中筛选出多个ISC分量，将其重构为两个频率段后转成频域信号；然后结合自动编码器提取两个频段信号的初步特征；最后，将两频段信号拼接后输入堆叠自动编码器并通过Softmax分类器进行分类，完成故障诊断。本发明不但能够从海量的数据中自适应的学习故障特征，而且在诊断精度方面优于传统故障诊断算法，可用于大数据环境下的滚动轴承故障诊断。
-
公开(公告)号：CN105547627A
公开(公告)日：2016-05-04
申请号：CN201610060829.X
申请日：2016-01-28
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于WPT-CEEMD的旋转机械特征提取方法，首先运用WPT良好的局部分析能力对噪声部分进行消除或者对有用频率段进行提取，再进行CEEMD自适应分解，最后对分解后存在的少量频率混叠部分再次利用WPT予以修正，从而实现对特征频率信号的提取。本发明将WPT与CEEMD相结合，克服了在现有故障诊断方法中存在频率混叠、不具有自适应性等缺点。
-
公开(公告)号：CN102076053B
公开(公告)日：2013-01-02
申请号：CN201110040145.0
申请日：2011-02-18
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种Zigbee无线传感网络快速修复方法，属于无线网络技术领域。本发明通过在网络中每一个终端节点设置一个可记录个节点的信标信息的父节点记录表；终端节点在首次加入该网络前，先进行一次完整的信道扫描，直到所有的信道都被扫描或接收到的信标帧数目达到时结束扫描；终端节点记录这些信标信息，并从父节点记录表中选择一个节点进行关联；终端节点周期地跟踪表中所有节点的信标帧，并不断地用接收到的新信标信息对表中节点的旧信标信息进行更新；当终端节点发现自身已经变成了孤点设备，则从表中删除当前父节点的信标信息，然后直接从表中选择一个节点进行重新关联。本发明方法可以缩减网络修复时间，提高网络修复效率。
-
公开(公告)号：CN112763214B
公开(公告)日：2022-07-01
申请号：CN202011617263.9
申请日：2020-12-31
Applicant: 南京信息工程大学
IPC: G01M13/045 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多标签零样本学习的滚动轴承故障诊断方法，属于智能旋转机械故障诊断领域。该方法包括如下步骤：使用短时傅里叶变换对原始信号进行预处理；将预处理得到的时频图像划分成可见类和未知类两个类别；使用可见类时频图像训练残差可分离卷积神经网络；用训练得到的网络进行特征提取；使用可见类故障特征训练属性学习器，最后用属性学习器学习未见类故障的高维语义信息，实现对未见类故障的诊断。本发明方法开创了零样本条件下的故障诊断先河，能将可见类故障属性迁移到未见类，并有效诊断未见类故障。
-
Patent Agency Ranking
公开(公告)号：CN106370403A
公开(公告)日：2017-02-01
申请号：CN201610698405.6
申请日：2016-08-22
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于边缘检测的瞬时频率估计方法，在于利用短时傅立叶变换的时频谱图你能有效体现信号各界分量的频率变化和SOBEL算子边缘检测的有效提取图片像素变化的边界的技术，将两者结合，从而有效的提取出信号的某一阶分量的频率。本发明使用图像处理技术中的边缘检测技术，在合适的参数下能够快速的确定频率边缘，较其他方法在复杂度和计算量上都有明显的优势。
-
公开(公告)号：CN113792770A
公开(公告)日：2021-12-14
申请号：CN202111010900.0
申请日：2021-08-31
Applicant: 南京信息工程大学
IPC: G06K9/62 , G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于属性描述的零样本滚动轴承故障诊断方法及系统，涉及设备故障诊断领域以及信号处理领域，通过采集滚动轴承对应各故障类型下的各故障信号数据，通过数据转变将各故障信号数据转换为对应的时频图像，得到滚动轴承时频图集，基于滚动轴承时频图集，训练并获得特征提取网络以及属性学习器，应用特征提取网络以及属性学习器，对待诊断滚动轴承进行故障预测，获得故障预测结果。通过本发明的技术方案为每个故障提供由属性组成的故障描述作为辅助信息，同时通过对已见类的属性学习完成对未见类的属性预测，在没有测试集样本可供训练的情况下完成对测试集的准确分类。
-
公开(公告)号：CN105547627B
公开(公告)日：2018-06-12
申请号：CN201610060829.X
申请日：2016-01-28
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于WPT‑CEEMD的旋转机械特征提取方法，首先运用WPT良好的局部分析能力对噪声部分进行消除或者对有用频率段进行提取，再进行CEEMD自适应分解，最后对分解后存在的少量频率混叠部分再次利用WPT予以修正，从而实现对特征频率信号的提取。本发明将WPT与CEEMD相结合，克服了在现有故障诊断方法中存在频率混叠、不具有自适应性等缺点。
-
公开(公告)号：CN107688796A
公开(公告)日：2018-02-13
申请号：CN201710802949.7
申请日：2017-09-07
Applicant: 南京信息工程大学
CPC classification number: G06K9/00523 , G06K9/624
Abstract: 本发明涉及一种基于APLCD-WPT算法的滚动轴承特征提取方法，包括如下步骤：步骤1）采集滚动轴承信号 ；步骤2）初始化添加噪声，构造幅值随频率呈正弦变化的噪声 ，然后，选定添加噪声的参数，总体平均次数m，在原信号中加入m对重构噪声，组成加噪信号；步骤3）对加噪信号首先进行APLCD分解，使用极值符号序列分析方法延拓信号端点，记录每次分解的ISC分量；步骤4）检查特征频率分量是否存在模态混淆，如果依然存在模态混淆现象，再使用WPT进行修正，将特征频率从混淆的内禀尺度分量中提取出来。有益效果为：能够有效解决信号特征提取时产生模态混淆的问题，实现精确提取特征分量。
-
公开(公告)号：CN105606894A
公开(公告)日：2016-05-25
申请号：CN201610060143.0
申请日：2016-01-28
Applicant: 南京信息工程大学
IPC: G01R23/16
CPC classification number: G01R23/16
Abstract: 本发明公开了基于模拟退火算法的瞬时频率估计方法，引入了模拟退火算法(SA)，将其与短时傅里叶变换(STFT)相结合，提出了STFT-SA瞬时频率估计算法。STFT-SA算法以信号时频谱图为基础，利用模拟退火算法寻求最优路径的思想，结合旋转机械非平稳信号的特点，实现旋转机械振动信号的一阶瞬时频率提取，对于高噪声、邻近阶比等振动信号都具有非常好的效果。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.023 seconds)
