-
公开(公告)号：CN116007937B
公开(公告)日：2024-09-06
申请号：CN202211575101.2
申请日：2022-12-08
Applicant: 苏州大学
IPC: G01M13/028 , G06F18/15 , G06F18/213 , G06F18/24 , G06F18/214 , G06F18/2415 , G06N3/0455 , G06N3/0895
Abstract: 本发明涉及机械设备智能运维技术领域，尤其是指一种机械设备传动部件智能故障诊断方法及装置。本发明采集不同工况下的振动信号作为训练样本，避免了由于工况改变导致模型性能下降的问题，通过建立自监督预训练网络，充分利用了容易获取的无标签样本训练网络，使网络能够提取更有效的特征，减少对标签样本的依赖；另外，通过基于自注意力机制的编码器模型和解码器模型，提取更全面的全局特征，同时抑制冗余特征，增强有效特征，无需通过预处理对输入数据进行预增强，提高了诊断效率。
-
公开(公告)号：CN118228167A
公开(公告)日：2024-06-21
申请号：CN202410226005.X
申请日：2024-02-29
Applicant: 苏州大学
IPC: G06F18/2433 , G06F18/214 , G06N3/0464 , G01R31/52 , G01R31/56
Abstract: 本发明涉及一种轨道交通走行轨接地故障诊断方法和系统，其中，方法包括：在轨道交通线路试车阶段，将线路划分为若干区段，在线路的不同区段设置接地故障；获取各个区段的若干特征量并进行数据预处理，形成源域工况数据集；在轨道交通线路运营阶段，获取各个区段的若干特征量并进行数据预处理，形成目标域工况数据集；通过所述源域工况数据集和目标域工况数据集对神经网络架构进行训练，得到训练好的神经网络架构；重新获取各个区段的若干特征量并进行数据预处理，形成待检测的数据集，通过训练好的神经网络架构对所述待检测的数据集进行故障诊断，判断接地故障所在的区段。本发明能够对走行轨的接地故障进行有效检测。
-
公开(公告)号：CN115600458B
公开(公告)日：2024-05-10
申请号：CN202211242590.X
申请日：2022-10-11
Applicant: 苏州大学
Abstract: 本发明公开了一种计及三维地系统的杂散电流动态分布计算方法，包括：对城轨列车进行列车牵引计算，得到全线列车运行图；对城轨供电系统的地下部分建立三维立体模型，并对各个区段进行等效计算，得到各个区段对应的等效阻抗和等效对地电导；根据全线列车运行图、各个区段对应的等效阻抗和等效对地电导，建立数学解析法回流系统等效模型；根据建立的数学解析法回流系统等效模型，利用迭代法进行潮流计算，得到任意时刻下列车位置及全线动态电气参数。本发明通过将计算得到的等效阻抗和等效对地电导代回传统数学解析法，对传统数学解析法中的参数进行修正，可以提高传统数学解析法回流参数计算的精确性。
-
公开(公告)号：CN117493964A
公开(公告)日：2024-02-02
申请号：CN202311507030.7
申请日：2023-11-13
Applicant: 苏州大学
IPC: G06F18/241 , G01M13/045 , G06F18/214 , G06F18/213 , G06N3/0895
Abstract: 本发明涉及一种基于半监督类别增量的轴承故障诊断方法及系统，所述方法包括：获取原始振动信号；根据所述原始振动信号生成数据流；所述数据流包括第一数据集和第二数据集；根据所述第一数据集训练半监督类别增量模型，生成初始化模型；所述初始化模型包括特征提取器和分类器；将所述第二数据集输入至所述特征提取器生成第二数据集特征矩阵；所述第二数据集特征矩阵通过半监督类别增量规则更新所述分类器，以生成第一模型和输出权重；根据所述输出权重确定轴承故障类别。通过引入半监督学习算法和增量学习策略，能够在仅使用少量标记样本的情况下，利用大量未标记样本进行模型训练。有助于提高轴承故障诊断的准确性和效率。
-
公开(公告)号：CN111651937B
公开(公告)日：2023-07-25
申请号：CN202010496380.8
申请日：2020-06-03
Applicant: 苏州大学
IPC: G06F30/27 , G06N3/0464 , G06N3/047 , G06N3/096 , G01M13/045 , G06F119/02
Abstract: 本发明涉及一种变工况下滚动轴承的故障诊断方法，其在利用卷积神经网络学习模型的基础上，结合迁移学习的算法处理机械设备复杂多变的工况导致深度学习模型通用性变差的问题。本发明首先对不同工况下采集的数据进行切割划分样本，利用FFT对样本进行预处理，然后利用改进的ResNet‑50提取样本的低层次特征，接着多尺度特征提取器从不同角度分析低层次特征得到高层次特征作为分类器的输入。在训练的过程中同时提取训练样本跟测试样本的高层次特征，计算两者的条件分布距离作为目标函数的一部分反向传播以实现类内自适应，降低域漂移的影响，使得深度学习模型能更好地胜任变工况下的故障诊断任务。
-
Patent Agency Ranking
公开(公告)号：CN116448412A
公开(公告)日：2023-07-18
申请号：CN202310257321.9
申请日：2023-03-16
Applicant: 中铁工程装备集团有限公司 , 苏州大学
IPC: G01M13/021 , G01M13/025 , G01M13/028 , G01M13/00 , G06F18/2131 , G06F18/24 , G06F123/02
Abstract: 本公开提供一种故障诊断方法和装置、存储介质，涉及故障诊断技术领域。故障诊断方法包括：获取被测试设备的振动信号；计算振动信号的包络信号；利用第一调频小波变换对包络信息进行处理，以得到第一时频图，其中第一调频小波变换中的调频因子是瞬时频率的函数，第一调频小波变换中的窗函数为可差分窗函数；利用第一时频图构建同步提取算子；利用第一时频图和同步提取算子得到目标时频图；识别目标时频图中的脊线，以便根据脊线确定被测试设备的故障类型。
-
公开(公告)号：CN116106008A
公开(公告)日：2023-05-12
申请号：CN202211699746.7
申请日：2022-12-28
Applicant: 苏州大学
IPC: G01M13/04 , G06F18/213 , G06F18/24 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于分类器差异软权自适应网络的故障诊断方法、装置、设备以及计算机可读存储介质，本发明由特征提取器、离群分类器与两个状态分类器三部分构成，特征提取器用于提取源域和目标域不同类别的可迁移特征，两个不同的状态分类器基于提取到的可转移特征进行标签预测；离群分类器对目标域样本进行伪标签学习，从而自动分离共享类和离群类样本；本发明构造了一个样本软权重项，以自适应地测量目标样本属于跨域共享标签空间的概率，设计了一个加权分类器差异损失来获取共享类样本的跨域不变特征，本发明诊断精度高，鲁棒性强，适用于变工况类型差异下的开集迁移故障诊断任务，可广泛应用于机械、电力、化工、航空等领域。
-
公开(公告)号：CN115683629A
公开(公告)日：2023-02-03
申请号：CN202211398933.1
申请日：2022-11-09
Applicant: 苏州大学
IPC: G01M13/045 , G06F17/15
Abstract: 本发明涉及一种轴承故障检测方法包括：获取测试轴承的振动加速度时域信号，经短时傅里叶变换生成时频域系数矩阵；利用广义极小极大凹罚函数与截断核范数构建稀疏低秩优化模型的凸性目标函数；利用交替方向乘子法将凸性目标函数拆分成关于广义极小极大凹罚函数的第一子目标函数、关于截断核范数的第二子目标函数与辅助迭代函数；利用前向后向分裂算法求解第一子目标函数得关于Xk+1的迭代公式组；利用奇异值阈值算法求解第二目标子函数得关于Zk+1的迭代公式；初始化参数，将时频域系数矩阵输入辅助迭代函数中，迭代预设次数获取时频域稀疏低秩矩阵；对时频域稀疏低秩矩阵进行短时傅里叶逆变换得到重构时域信号后，进行平方包络谱分析，得到故障特征频率。
-
公开(公告)号：CN114463772B
公开(公告)日：2022-11-25
申请号：CN202210036922.2
申请日：2022-01-13
Applicant: 苏州大学
IPC: G06V30/418 , G06V30/20 , G06V20/58 , G06V10/32 , G06V10/40 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明涉及一种基于深度学习的交通标志检测与识别方法，方法包括获取交通标志数据集并对其进行预处理，获得交通标志图像，提取交通标志图像的特征；将交通标志数据集的特征输入至自适应空间注意力特征融合模型，利用自适应空间注意力特征融合模型提取多尺度特征，并将多尺度特征进行融合生成相应尺度的融合特征；将融合特征输入至层级分组归一化指数函数检测头，获得初步的预测结果，对初步的预测结果进行目标框筛选，得到最终的检测结果。本发明提出自适应空间注意力特征融合模型和层级分组归一化指数函数，总体上提高了对于小交通标志以及样本匮乏的交通标志类别的检测准确率。
-
公开(公告)号：CN114548155A
公开(公告)日：2022-05-27
申请号：CN202210073180.0
申请日：2022-01-21
Applicant: 苏州大学
Abstract: 本发明公开了一种基于变参时频流形信号重构的旋转机械微弱故障检测方法，包括：步骤(1)、故障带内成分提取：步骤(2)、高维TFD矩阵构造：步骤(3)、TFM特征提取：步骤(4)、TFM特征去噪：步骤(5)、故障成分TFD重构：步骤(6)、故障成分时域信号重构。该技术方法至少具有以下优点：对不同机械振动信号的普适性好、计算效率高、信噪比高、能够定量分析故障严重程度等。
-
-
-
-
-
-
-
-
-
Search Results
143
records
(took 0.025 seconds)
