-
公开(公告)号：CN109443752A
公开(公告)日：2019-03-08
申请号：CN201811206915.2
申请日：2018-10-17
Applicant: 北京信息科技大学
IPC: G01M13/021 , G01M13/028
Abstract: 本发明涉及一种基于VMD的齿轮振动信号降噪及故障诊断方法，其步骤：采集齿轮在正常运行状态、点蚀故障、磨损故障以及断齿故障下的振动信号xw(n)＝{xw(1),...,xw(N)}，其中，N代表每组数据个数，w代表数据组别，w＝1、2、3、4，分别代表正常运行状态、点蚀故障状态、磨损故障状态、断齿故障状态；对xw(n)＝{xw(1),...,xw(N)}中正常运行状态下的原始振动信号x1(n)进行VMD-模平方阈值处理；将所有齿轮振动信号xw(n)按照步骤2)进行VMD-模平方阈值处理，得到处理后的信号 提取处理后的信号 的每组信号的峭度和均方根值组成特征向量K和R；利用PNN进行故障诊断。
-
公开(公告)号：CN103473439B
公开(公告)日：2016-04-06
申请号：CN201310359750.3
申请日：2013-08-17
Applicant: 北京信息科技大学
IPC: G06F19/00
Abstract: 本发明涉及一种面向复杂机电设备低信噪比信息的早期故障预测方法，其步骤为：1）获取振动数据、声发射数据、切削力数据、噪声数据以及温度数据；2）利用层次聚类算法将连续相关数据分别进行离散化处理，得到N组离散数据；3）将离散化后的每组离散数据形成决策表DT，作为粗糙函数自适应方法的输入层Xi(t)；4）利用粗糙函数自适应方法对决策表DT进行预测分析，得到最优目标预测模型；5）根据得到的最优目标预测模型作为本时刻的精确预测模型，并通过监测设备显示下一时刻预测值，实现对复杂机电设备低信噪比信息的早期故障预测。本发明能够实现对低信噪比信息的早期故障预测，可广泛在复杂机电设备中应用。
-
Patent Agency Ranking
公开(公告)号：CN103473439A
公开(公告)日：2013-12-25
申请号：CN201310359750.3
申请日：2013-08-17
Applicant: 北京信息科技大学
IPC: G06F19/00
Abstract: 本发明涉及一种面向复杂机电设备低信噪比信息的早期故障预测方法，其步骤为：1）获取振动数据、声发射数据、切削力数据、噪声数据以及温度数据；2）利用层次聚类算法将连续相关数据分别进行离散化处理，得到N组离散数据；3）将离散化后的每组离散数据形成决策表DT，作为粗糙函数自适应方法的输入层Xi(t)；4）利用粗糙函数自适应方法对决策表DT进行预测分析，得到最优目标预测模型；5）根据得到的最优目标预测模型作为本时刻的精确预测模型，并通过监测设备显示下一时刻预测值，实现对复杂机电设备低信噪比信息的早期故障预测。本发明能够实现对低信噪比信息的早期故障预测，可广泛在复杂机电设备中应用。
-
公开(公告)号：CN116011567A
公开(公告)日：2023-04-25
申请号：CN202310091324.X
申请日：2023-02-09
Applicant: 北京信息科技大学
Abstract: 本发明涉及一种面向智能仪器仪表产品的特征参数提取方法及系统，其包括：建立产品零部件之间的装配关系，并按照产品、部件及零件的层级关系建立产品装配关系；根据零部件之间的装配关系和产品装配关系建立产品的知识图谱；将产品的知识图谱中的时间、成本和质量三种属性作为特征参数，根据知识图谱结构进行特征参数提取，得到产品的时间特征参数、成本特征参数和质量特征参数，直观地表示出不同的特征参数与产品不同阶段之间的依存关系。本发明能提取特征不同的产品特征参数，直观地表示出不同的特征参数与产品不同阶段之间的依存关系，为后续生产监控提供依据。本发明可以在数据处理领域中应用。
-
公开(公告)号：CN112051064B
公开(公告)日：2022-08-16
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：CN112052902A
公开(公告)日：2020-12-08
申请号：CN202010929759.3
申请日：2020-09-07
Applicant: 北京信息科技大学
IPC: G06K9/62 , G06K9/00 , G06N3/04 , 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：CN108444709B
公开(公告)日：2020-11-27
申请号：CN201810349861.9
申请日：2018-04-18
Applicant: 北京信息科技大学
IPC: G01M13/045 , G06K9/62
Abstract: 本发明涉及一种VMD与FastICA相结合的滚动轴承故障诊断方法，其步骤：利用现有数据采集设备采集滚动轴承的原始振动信号；将采集到的滚动轴承原始振动信号进行VMD分解；原始振动信号经VMD后分解为k个模态分量，以连续的3个模态分量为一序列组合进行FastICA分析，得到重构故障信号；对重构故障信号进行Hilbert变换，得到重构故障信号的包络谱，在所得包络谱中提取各故障特征下的特征频率、调制特征频率及边频带，进而根据提取的特征频率成分判断滚动轴承是否存在故障以及故障类型。
-
-
-
-
-
-
Search Results
27
records
(took 0.036 seconds)
