-
公开(公告)号：CN116796467A
公开(公告)日：2023-09-22
申请号：CN202310786423.X
申请日：2023-06-29
Applicant: 重庆大学
IPC: G06F30/17 , G06F30/27 , G06F18/10 , G06F18/214 , G06N7/01 , G06F111/08
Abstract: 本发明涉及一种基于对数正态‑正态混合模型的齿轮健康指标构建方法，属于齿轮健康状态评估技术领域。该方法包括：S1：采集特定工况下齿轮全生命周期中的振动信号，并对其进行降噪处理，得到处理后的全生命周期数据；S2：将全生命周期数据进行指数变换；S3：构建对数正态‑正态混合模型LNMM；S4：将全生命周期数据和指数变换后的数据的前N个健康数据输入到LNMM中，利用EM算法迭代训练，获得估计后的基准分布；S5：将整个全生命周期数据和指数变换后的数据输入到LNMM中，利用EM算法进行迭代训练，获得整个生命周期数据的分布；S6：利用基准分布和整个生命周期数据的分布来计算分布重合度值，从而构建齿轮的健康指标。
-
公开(公告)号：CN112347898A
公开(公告)日：2021-02-09
申请号：CN202011210629.0
申请日：2020-11-03
Applicant: 重庆大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G01M13/045
Abstract: 本发明涉及一种基于DCAE神经网络的滚动轴承健康指标构建方法，属于滚动轴承检测技术领域。该方法是将原始振动信号作为网络输入，利用二次函数来对提取的健康特征指标趋势进行全局约束，确保其符合轴承的退化趋势；具体包括：首先，利用加速度传感器采集滚动轴承的振动信号，然后对采集到的振动信号进行低通滤波预处理来排除噪声的干扰；其次，将训练集中的轴承振动信号输入到构建的DCAE网络中进行权重迭代更新训练；最后，将测试集中的轴承数据输入到训练好的DCAE网络中进行健康特征指标构建。本发明能够在没有先验知识的情况下充分利用振动信号中的信息来自动的构建滚动轴承的健康特征指标，从而提高轴承剩余寿命预测的精度。
-
公开(公告)号：CN112347898B
公开(公告)日：2024-04-09
申请号：CN202011210629.0
申请日：2020-11-03
Applicant: 重庆大学
IPC: G06F18/213 , G06F18/24 , G06F18/214 , G06N3/0464 , G01M13/045
Abstract: 本发明涉及一种基于DCAE神经网络的滚动轴承健康指标构建方法，属于滚动轴承检测技术领域。该方法是将原始振动信号作为网络输入，利用二次函数来对提取的健康特征指标趋势进行全局约束，确保其符合轴承的退化趋势；具体包括：首先，利用加速度传感器采集滚动轴承的振动信号，然后对采集到的振动信号进行低通滤波预处理来排除噪声的干扰；其次，将训练集中的轴承振动信号输入到构建的DCAE网络中进行权重迭代更新训练；最后，将测试集中的轴承数据输入到训练好的DCAE网络中进行健康特征指标构建。本发明能够在没有先验知识的情况下充分利用振动信号中的信息来自动的构建滚动轴承的健康特征指标，从而提高轴承剩余寿命预测的精度。
-
公开(公告)号：CN117828475A
公开(公告)日：2024-04-05
申请号：CN202410020518.5
申请日：2024-01-04
Applicant: 重庆大学
IPC: G06F18/2415 , G06F18/214 , G06F17/18 , G06F17/15
Abstract: 本发明涉及一种基于高斯‑学生t分布混合模型的轴承健康指标构建方法，属于轴承健康状态评估技术领域。该方法包括：S1：在预先设定的工况下采集获得轴承监测数据；S2：通过组合有限个高斯分布与学生t分布来构建GSMM；S3：将监测数据集的前N个正常数据样本输入到构建好的GSMM中，利用EM算法进行迭代训练获得估计后的基准分布；S4：将整个全寿命监测数据输入到构建好的GSMM中，使用EM算法进行迭代训练获得整个生命周期监测数据的数据分布；S5：利用分布重合度准则来计算基准分布与整个生命周期监测数据的数据分布之间的差异；S6：利用计算得到的分布重合度值来构建轴承的健康指标。
-
Patent Agency Ranking
公开(公告)号：CN113505535B
公开(公告)日：2023-11-10
申请号：CN202110773151.0
申请日：2021-07-08
Applicant: 重庆大学
IPC: G06F30/27 , G06F17/14 , G06N3/045 , G06N3/0442 , G06N3/048 , G06N3/08 , G06F119/04
Abstract: 本申请提供一种基于门控自适应分层注意力单元网络的电机寿命预测方法，具体方法为：采集伺服电机的振动信号，通过对振动信号进行预处理并利用傅里叶变换得到FFT数据，将该数据输入QFDCAE网络中构建伺服电机的健康特征指标，将该健康特征指标输入到基于门控自适应分层注意力单元网络GAHAU的电机寿命预测模型中进行电机剩余使用寿命预测；本申请采用基于门控自适应分层注意力单元网络GAHAU模型对电机剩余寿命进行预测，比现有神经网络的预测精度更高。
-
公开(公告)号：CN111595583B
公开(公告)日：2022-02-01
申请号：CN202010478274.7
申请日：2020-05-29
Applicant: 重庆大学
IPC: G01M13/045 , G06N3/08
Abstract: 本发明涉及一种基于GAU神经网络的轴承剩余寿命的预测方法，属于滚动轴承检测技术领域。该方法包括：首先，通过加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GAU神经网络中进行寿命预测。本发明大大提高了对轴承剩余寿命的预测准确度。
-
公开(公告)号：CN113868964A
公开(公告)日：2021-12-31
申请号：CN202111262002.4
申请日：2021-10-28
Applicant: 重庆大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/02
Abstract: 本发明提供一种基于时空多异化处理深度网络的航空发动机寿命预测方法，步骤为：采集待预测航空发动机多维退化参数获得采集数据，采用滑动窗口技术对采集数据进行分割获得预处理数据；构建包括TMLSTM模型和SMCNN模型的航空发动机寿命预测模型，将预处理数据分别输入TMLSTM模型与SMCNN模型中，获得THI与SHI；将THI与SHI连接成一个新的HI矩阵，将新的HI矩阵输入寿命预测模型的回归层中进行剩余寿命的预测，本申请寿命预测模型的一个分支通过TMLSTM模型提取THI，另外一个分支通过SNCNN模型提取SHI，最终基于两个分支构建的指标进行回归预测，该预测方法具有更好的综合预测性能。
-
公开(公告)号：CN111595583A
公开(公告)日：2020-08-28
申请号：CN202010478274.7
申请日：2020-05-29
Applicant: 重庆大学
IPC: G01M13/045 , G06N3/08
Abstract: 本发明涉及一种基于GAU神经网络的轴承剩余寿命的预测方法，属于滚动轴承检测技术领域。该方法包括：首先，通过加速度传感器来采集滚动轴承的振动信号，通过计算得到振动信号的均方根值，对均方根值进行异常点剔除和替换处理，最后将处理好的均方根值输入到GAU神经网络中进行寿命预测。本发明大大提高了对轴承剩余寿命的预测准确度。
-
公开(公告)号：CN111475987A
公开(公告)日：2020-07-31
申请号：CN202010255897.8
申请日：2020-04-02
Applicant: 重庆大学
IPC: G06F30/27 , G06K9/00 , G06N3/04 , G06N3/08 , G06F119/04
Abstract: 本发明涉及一种基于SAE和ON-LSTM的齿轮剩余寿命的预测方法，属于大数据和智能制造领域。该方法利用SAE提取齿轮健康指标，并用新型的ON-LSTM神经网络来预测齿轮剩余寿命，ON-LSTM中通过层级划分器来划分输入数据及历史数据的层级结构。将主遗忘门与主输入门的输出向量中最大元素所在的位置定义为层级位置，从而使递归神经网络分层级更新。本发明通过SAE特征提取和ON-LSTM神经网络来预测的齿轮剩余寿命，大大降低了网络计算量，减少计算时间，且提高了预测速度以及精确度。
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.021 seconds)
