-
公开(公告)号：CN116522237A
公开(公告)日：2023-08-01
申请号：CN202310406829.0
申请日：2023-04-17
Applicant: 西安交通大学 , 中国核电工程有限公司
IPC: G06F18/2415 , G06F18/213 , G06F18/2131 , G06F18/214 , G06F18/25 , G06N3/0464 , G06N3/084
Abstract: 本公开揭示了一种基于并行卷积神经网络的滚动轴承故障诊断方法，包括：S100：采集待测滚动轴承的原始振动信号Xio(t)；S200：对原始振动信号Xio(t)进行预处理，获得预处理后的振动信号Xi(t)；S300：对预处理后的振动信号Xi(t)进行第一次重叠采样，以获得第一样本信号xm(t)；S400：对预处理后的振动信号进行第二次重叠采样，以获得第二样本信号ym(t)；S500：基于第一样本信号xm(t)和第二样本信号ym(t)分别获得待测滚动轴承的一维张量集合和二维张量集合；S600：基于待测滚动轴承的一维张量集合和二维张量集合构建融合数据集并输入训练好的并行卷积神经网络，以实现对待测滚动轴承的故障识别。
-
公开(公告)号：CN115391955A
公开(公告)日：2022-11-25
申请号：CN202211112504.3
申请日：2022-09-13
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于多尺度成分分析的机械故障诊断方法，方法包括以下步骤：采集多种故障类型的机械振动信号y；建立多尺度成分分析模型，对信号多尺度特征进行解耦提取，得到各尺度深层稀疏编码γm，L；利用迭代阈值收缩算法求解建立的多尺度成分分析模型，并将优化求解算法展开为多尺度成分分析网络，拼接多尺度编码为将其输入后续的池化层与多层感知机作为分类器hθ，完成故障智能诊断网络的搭建；使用带故障标签的训练样本端到端地训练网络模型，利用反向传播技术学习网络模型参数；将测试信号输入网络中，通过输出预测标签实现故障诊断；对输入信号的重构信号的整体特征和网络学习到的原子特征进行可视化，完成事后可解释性分析。
-
公开(公告)号：CN113324758B
公开(公告)日：2022-08-09
申请号：CN202110588072.2
申请日：2021-05-27
Applicant: 西安交通大学
IPC: G01M13/045 , G06K9/00 , G06N3/04 , G06N3/08
Abstract: 本公开揭示了一种基于半监督对抗网络的轴承故障诊断方法，包括：S100：采集轴承真实故障时的振动信号xf、轴承正常运行时的振动信号xh以及待测轴承振动信号S200：构建由生成器g、特征网络f、故障分类器fc、鉴别器d、辅助分类器ac和诊断网络diag组成的半监督生成对抗网络并进行训练，训练包括如下步骤：S201：对生成器g进行训练，生成故障状态以及正常运行下的伪轴承振动信号S202：以振动信号xf、xh以及伪轴承振动信号对特征网络f、故障分类器fc、鉴别器d和辅助分类器ac进行训练；S203：待步骤S201和步骤S202的训练收敛后，以振动信号xh、xf和伪轴承振动信号对诊断网络diag进行训练；S300：将待测轴承振动信号输入训练后的诊断网络diag进行故障诊断。
-
公开(公告)号：CN114781264A
公开(公告)日：2022-07-22
申请号：CN202210433148.9
申请日：2022-04-22
Applicant: 西安交通大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/02
Abstract: 基于特征解耦和趋势保持的锂电池跨域容量估计方法，包括：分别采集在不同工况下工作的锂电池充电过程中的过程量信号，包括：电压、电流和时间；将工况一下采集的数据作为源域数据，将工况二下采集的数据作为目标域数据；建立包括公有特征提取器、私有特征提取器、解码器、预测器和域分类器的域自适应网络；输入有标签的源域数据和无标签的目标域数据对该网络进行训练；训练完成后，将无标签的目标域数据输入训练好的域自适应网络进行前向传播，训练好的域自适应网络输出容量预测结果，实现不同工况下锂电池容量估计和健康状态评估。本公开能够有效提高估计精度、减小了域间差异以及保持了锂电池退化趋势信息从而提高了鲁棒性。
-
公开(公告)号：CN113310689B
公开(公告)日：2022-07-12
申请号：CN202110588075.6
申请日：2021-05-27
Applicant: 西安交通大学
IPC: G01M13/028 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本公开揭示了一种基于域自适应图卷积网络的航发传动系统故障诊断方法，包括：采集故障未知的航空发动机传动系统在不同转速下的第一振动信号，以该第一振动信号作为无标签的目标域数据；构建域自适应图卷积网络，采集故障已知的航空发动机传动系统在不同转速下的第二振动信号，以该第二振动信号作为有标签的源域数据，以源域数据和部分目标域数据作为输入对域自适应图卷积网络进行训练；将另一部分目标域数据输入训练好的域自适应图卷积网络，获得目标域数据的预测标签，实现不同转速下航空发动机传动系统故障的迁移诊断。
-
Patent Agency Ranking
公开(公告)号：CN113486806A
公开(公告)日：2021-10-08
申请号：CN202110771135.8
申请日：2021-07-07
Applicant: 西安交通大学
Abstract: 公开了基于一维残差神经网络的悬沙监测方法，方法中，不同粒径砂砾分别搅拌形成不同浓度的悬沙液体，从悬沙液体提取含沙液滴，采集含沙液滴作用于摩擦纳米发电机传感器所产生的电流数据，多个电流数据形成电流数据集，标记分割电流数据集，并对分割后的电流数据基于粒径和浓度标记数据标签以形成训练集数据和测试集数据，构建一维残差神经网络，其包括输入模块、卷积模块、残差模块和输出模块，输入训练集数据对一维残差神经网络进行训练以优化一维残差神经网络，将测试集数据输入优化后的一维残差神经网络以得到粒径数据和浓度数据。
-
公开(公告)号：CN111168647B
公开(公告)日：2021-10-01
申请号：CN202010011835.2
申请日：2020-01-06
Applicant: 西安交通大学
Abstract: 公开了故障检测机器人及其使用方法，机器人中，故障检测机器人包括机械臂装置、传感器夹持装置和传感器更换装置，传感器更换单元布置在机械臂小臂的末端，传感器更换单元承载传感器到预定更换位置，响应于移动路径数据，控制单元控制机器人本体移动到预定位置，响应于第一位置参数，控制单元控制传感器移动到用于检测故障的预定检测位置，响应于第一位置参数和第二位置单元，控制单元控制传感器更换单元在预定更换位置更换所述传感器。
-
公开(公告)号：CN113191186A
公开(公告)日：2021-07-30
申请号：CN202110262703.1
申请日：2021-03-11
Applicant: 西安交通大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G01M13/045
Abstract: 公开了一种故障敏感编码网络驱动的直升机传动系统轴承检测方法，方法中，采集健康的直升机传动系统轴承噪声信号作为训练信号，通过编码器将所述训练信号降维得到低维流形，解码器基于低维流形以重构信号，生成对抗网络包括生成器和鉴别器，生成器生成待测信号，鉴别器鉴别待测信号是来自训练信号还是重构信号，计算训练信号与重构信号的差值得到重构误差，生成对抗网络对抗训练交替优化达到纳什均衡，并拟合得到健康状态信号的分布，输入测试信号到编码器以降维得到低维流形，解码器基于低维流形以重构信号，输入生成对抗网络对抗训练并拟合得到测试信号分布，所述测试信号分布不符合所述健康状态信号的分布，则认为存在故障。
-
公开(公告)号：CN113092154A
公开(公告)日：2021-07-09
申请号：CN202110432502.1
申请日：2021-04-21
Applicant: 西安交通大学
IPC: G01M99/00
Abstract: 本发明公开了一种具有自锁性的旋转实验台，属于吸附力测试领域，旨在解决现有技术中不能自由调节壁面角度，稳定性差，不能改变对吸附装置的施力角度，不具有较强自锁性实验台的技术问题。因此，本申请采用侧面支撑板和后固定板垂直设置构成的龙门结构，起到稳定实验台的效果；通过在旋转轴上固定旋转板，就可以在旋转板的工作面上固定不同的壁面，来改变壁面的粗糙程度，增强实验台的吸附力；在旋转调节丝杠和移动调节丝杠上设置手柄I和手柄II，旋转手柄I和手柄II来带动旋转板和滑轮移动，对旋转板的实验壁面上设置吸附装置，再对吸附装置设置挂钩，通过改变实施力方向调节滑轮与旋转板的相对位置，实现自由调节施力角度和壁面角度的作用和反行程自锁作用。
-
公开(公告)号：CN112836428A
公开(公告)日：2021-05-25
申请号：CN202110101521.6
申请日：2021-01-25
Applicant: 西安交通大学
IPC: G06F30/27 , G06K9/62 , G06N3/04 , G06N3/08 , G06F111/04 , G06F111/08
Abstract: 本公开揭示了一种用于诊断航空发动机锥齿轮故障的深度网络构建方法，包括：采集航空发动机锥齿轮振动信号并划分为训练集Dtrain、验证集Dvalid和测试集Dtest；构建网络搜索空间O，根据搜索空间O构造超网络H(w)，基于训练集Dtrain并采用两种掩码矩阵Mask依次对超网络H(w)中的含参算子OP5‑8进行预热训练和对超网络H(w)进行解耦训练，得到优化后的超网络H(w*)；基于优化后的超网络H(w*)构造可微性能评估器Λ，利用变分推断对评估器Λ进行优化获得优化后的变分后验分布族，并采样获得候选网络架构集合Set；利用训练集Dtrain和验证集Dvalid对所述候选网络架构集合Set中的网络架构重新训练，并在测试集Dtest上按照测试准确率从大到小排序，将测试准确率最高的网络架构作为最优的故障诊断深度网络架构。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.029 seconds)
