-
公开(公告)号：CN117649554A
公开(公告)日：2024-03-05
申请号：CN202311624722.X
申请日：2023-11-30
Applicant: 西安交通大学
IPC: G06V10/764 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/049 , G06N3/084
Abstract: 一种动态视觉赋能的非接触式装备迁移故障诊断方法，先使用事件相机非接触式采集装备振动的动态视觉数据；然后对动态视觉数据进行划分，构建初始智能诊断数据集；再建立面向动态视觉数据的跨领域扩散生成模型，对目标域缺失的故障数据进行补充生成；然后建基于类脑计算技术的动态视觉数据特征提取与装备故障模式智能识别的智能诊断模型，并且将最终智能诊断数据集中训练集输入智能诊断模型进行训练，以获得深层特征表示；再分别计算各项损失，迭代并且更新优化智能诊断模型的参数，直至训练完成，获得最终智能诊断模型；最后将测试集输入最终智能诊断模型，获得测试集数据对应类别的标签；本发明实现非接触式机械装备智能迁移故障诊断。
-
公开(公告)号：CN117610454A
公开(公告)日：2024-02-27
申请号：CN202311593742.5
申请日：2023-11-27
Applicant: 国网宁夏电力有限公司超高压公司 , 西安交通大学
Inventor： 郭微 , 胡梦琴 , 邹宏森 , 马文长 , 刘博 , 王旭强 , 张源 , 刘岩亮 , 闫海宁 , 尚彦军 , 王海峰 , 杨彬 , 魏亮 , 孟家正 , 徐健鑫 , 赵浦屿 , 李嘉龙 , 贺博
IPC: G06F30/28 , G06F30/23 , G06F30/17 , G01M9/00 , G01M9/06 , G06F111/08 , G06F113/08 , G06F119/04 , G06F119/14
Abstract: 一种基于非高斯风场的避雷针螺栓疲劳分析与寿命优化方法，以高斯风的形成为基础，通过非高斯风的形式，对其风速序列进行相关变形，模拟避雷针结构实际的脉动风场进行后续的疲劳分析及寿命计算；通过对螺栓的寿命性能进行分析并采用启发式算法对螺栓的寿命与螺栓的尺寸和数量进行不断地迭代优化，进一步对避雷针局部法兰盘螺栓进行疲劳和寿命分析，最终获得最优条件下的螺栓寿命，本发明相较于现有其他分析方法，获取非高斯风模拟的实际风速数据，计算结果更加符合实际避雷针风振情况，采用优化算法可以选择计算出最佳的螺栓尺寸和数量，能更好地延长螺栓的疲劳寿命。
-
公开(公告)号：CN117150218A
公开(公告)日：2023-12-01
申请号：CN202311145131.4
申请日：2023-09-06
Applicant: 西安交通大学
IPC: G06F18/00 , G06F18/10 , G06N3/082 , G06N3/047 , G06N3/0464 , G06N3/048 , G06N3/084 , G06F123/02
Abstract: 一种旋转机械装备状态监测大数据轻量化表征与智能诊断方法，通过与原始数据集进行特征分布对齐，反向更新数据原型，进而构建极少量分布相近但信息量丰富的数据原型，并用构建的轻量化表征数据集替代原始数据集，从数据量层面用极少量数据代替海量原始数据；本发明降低由海量原始数据带来的数据存储资源占用、数据无法及时传输、数据建模困难、计算成本高等问题，并可为后续智能诊断、协同建模、隐私保护等下游任务提供数据支持。
-
公开(公告)号：CN116843662A
公开(公告)日：2023-10-03
申请号：CN202310843067.0
申请日：2023-07-10
Applicant: 西安交通大学
Abstract: 一种基于动态视觉与类脑计算的非接触式故障诊断方法，首先采用事件相机采集旋转机械的健康状态信息，对采集的事件流数据进行区域筛选，将筛选后事件流数据转化为脉冲神经网络读取的脉冲数据；然后将样本对应的标签与样本进行关联，构建旋转机械智能诊断数据集，划分训练集与测试集；再构建用于提取旋转机械脉冲数据特征的脉冲神经网络，并且将旋转机械智能诊断数据集送入进行深层特征提取；最后将深层旋转机械健康状态脉冲数据表征与对应标签计算MSE损失，并且通过损失函数更新对应的模型参数；本发明完善了类脑计算式的深度学习方法在旋转机械故障诊断中的应用流程，为智能诊断模型在边缘计算硬件上的部署提供了思路。
-
公开(公告)号：CN113469066B
公开(公告)日：2023-04-11
申请号：CN202110758708.3
申请日：2021-07-05
Applicant: 西安交通大学
IPC: G06F18/241 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/08 , G01M13/045
Abstract: 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法，首先利用源滚动轴承振动信号对用深度稠密卷积神经网络建立的基础分类器进行预训练，将特征提取模块参数结合随机初始化的重构健康状态识别模块参数构建多任务学习器；从健康状态已知的目标滚动轴承振动信号随机挑选构成更新数据集，并从中随机挑选构成任务组合，对多任务学习器参数进行更新；利用健康状态已知的目标滚动轴承振动信号中未输入多任务学习器的样本建立微调数据集，微调诊断模型；以健康状态未知的目标滚动轴承振动信号样本为输入，利用诊断模型输出诊断结果，实现滚动轴承健康状态的智能识别；本发明提高了监测数据不平衡约束下滚动轴承故障的迁移诊断精度。
-
Patent Agency Ranking
公开(公告)号：CN113435375B
公开(公告)日：2023-04-11
申请号：CN202110759629.4
申请日：2021-07-05
Applicant: 西安交通大学
IPC: G06F18/10 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 一种滚动轴承诊断知识的跨设备可迁移性度量方法，先获取源轴承与目标轴承的振动信号，利用含健康标签的源轴承振动信号训练领域共享深度残差网络，提取源轴承与目标轴承振动信号的故障特征；再利用目标轴承振动信号的故障特征拟合高斯混合模型，生成样本故障特征的健康簇标签；然后利用少量含健康标签的目标轴承振动信号求解健康簇标签‑伪健康标签转换矩阵，并将目标轴承振动信号的健康簇标签转换为伪健康标签；最后计算含健康标签的源轴承振动信号与含伪健康标签的目标轴承振动信号的故障特征间的最优传输差异，并以此作为源轴承诊断知识作用于目标轴承时的跨设备可迁移性度量值；本发明提高滚动轴承诊断知识的跨设备可迁移性度量的准确性。
-
公开(公告)号：CN113191245B
公开(公告)日：2023-04-11
申请号：CN202110449135.6
申请日：2021-04-25
Applicant: 西安交通大学
IPC: G06F18/214 , G06F18/25 , G06F18/2415 , G06F18/10
Abstract: 一种多源滚动轴承健康状态融合的迁移智能诊断方法，首先，同时训练多个由单一源滚动轴承‑目标滚动轴承振动信号样本集对构建的局部分布适配子模型，获得目标滚动轴承基于每个源滚动轴承的健康状态诊断结果，其中对于每一个局部分布适配子模型，包括用于提取深度迁移特征的域共享深度残差网络和用于提取领域混淆特征的参数共享的领域混淆网络；最后，通过对多滚动轴承融合迁移诊断模型的训练，融合基于不同源滚动轴承对目标滚动轴承的诊断结果获取目标滚动轴承振动信号样本集健康状态的最终诊断结果；本发明克服源滚动轴承的诊断知识无法涵盖目标滚动轴承的故障类型和目标滚动轴承振动信号样本不平衡的影响，显著提高了迁移诊断模型的诊断精度。
-
公开(公告)号：CN113591625B
公开(公告)日：2022-12-09
申请号：CN202110804219.7
申请日：2021-07-16
Applicant: 西安交通大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G01M13/021 , G01M13/028
Abstract: 一种不平衡样本重要性加权的齿轮箱故障诊断方法，首先获取齿轮箱在不同健康状态下的振动信号；其次构建特征提取模块自动获取监测样本的深层故障特征；再次构建加权分类模块，在分类时引入自适应权重对各类样本赋予不同的惩罚因子；最后利用构建考虑样本重要性损失函数以及自适应权重损失函数，交替优化特征提取模块参数与自适应权重；本发明所得智能诊断模型由特征提取模块和加权分类模块构成，考虑到了样本重要性，能够有效克服训练样本不平衡对诊断的不利影响，可以直接利用齿轮箱原始振动信号完成健康状态的识别，实现了不平衡训练数据集情境下齿轮箱的健康状态智能诊断。
-
公开(公告)号：CN115313220A
公开(公告)日：2022-11-08
申请号：CN202211130618.0
申请日：2022-09-15
Applicant: 国网陕西省电力有限公司电力科学研究院 , 西安交通大学 , 国网(西安)环保技术中心有限公司
Abstract: 本发明公开了一种靶向送风的户内变电站通风散热系统，属于户内变电站通风换热领域。该散热系统包括主变压器室、进风口、进风管道、布风风箱、片式散热器以及排风口。采用本发明的变电站通风散热系统可以通过进风管道和布风风箱引导冷却风对主变压器片式散热器进行精准靶向送风，降低冷却风旁通量，提高冷却风的换热效率，有效降低主变压器室内环境温度，降低冷却风通风量，进而可以降低风机出力，解决风机噪音污染问题。
-
公开(公告)号：CN113189483B
公开(公告)日：2022-10-28
申请号：CN202110450384.7
申请日：2021-04-25
Applicant: 西安交通大学
Abstract: 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法，首先采集轴流风机的振动信号和三相电流信号；通过分析轴流风机异常情况下振动信号和三相电流信号的特点，针对振动信号构建了无量纲转频谱峰值指标和无量纲倍频谱峰值指标，之后针对三相电流信号分别构建了极小有效值指标、有效值极差值指标及小波频谱极差值指标；基于上述指标，通过给定相应阈值，进行联合推断，实现轴流风机的自动故障诊断；本发明克服了传统方法费时费力且难以有效解决问题的缺点，可以对不同转速下的异常轴流风机进行自动故障诊断，提高轴流风机故障诊断的准确性和实时性。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.033 seconds)
