-
公开(公告)号：CN113588266B
公开(公告)日：2022-06-07
申请号：CN202110811026.4
申请日：2021-07-19
Applicant: 西安交通大学
IPC: G01M13/045 , G06K9/62
Abstract: 一种故障语义空间内嵌的滚动轴承复合故障诊断方法，首先获取滚动轴承在各健康状态下的振动信号样本，利用特征提取降维模块自动获取振动信号样本的特征并降维；然后使用高斯‑伯努利受限玻尔兹曼机计算样本的能量函数值，并对样本是否属于复合故障进行区分；最后分别通过多元分类器和线性监督自动编码机，完成对单一故障样本与复合故障进行健康状态识别；本发明考虑到了复合故障与单一故障之间的联系，能够有效克服带标签复合故障样本难以获取对诊断的不利影响，可以直接使用单一健康状态样本完成对模型的训练，实现了对滚动轴承单一故障诊断以及复合故障的诊断。
-
公开(公告)号：CN113138337B
公开(公告)日：2022-03-22
申请号：CN202110450380.9
申请日：2021-04-25
Applicant: 西安交通大学
Abstract: 一种基于状态划分与频段同步校正的三相电机故障诊断方法，包括状态划分和频段校正；首先获取三相电机的电流信号和振动信号，通过构建三个针对三相电流信号的故障指标，并联合小波阈值降噪后的振动信号故障指标，实现电机健康状态划分；再利用多层小波分解振动信号，并通过分解后的多层细节信号的平方包络谱之间故障特征频率的同步校正，实现电机轴承的故障诊断；本发明克服了传统方法需要人为判断、费时费力且容易产生误判的缺点，提高三相电机故障诊断的及时性和稳定性。
-
公开(公告)号：CN113588266A
公开(公告)日：2021-11-02
申请号：CN202110811026.4
申请日：2021-07-19
Applicant: 西安交通大学
IPC: G01M13/045 , G06K9/62
Abstract: 一种故障语义空间内嵌的滚动轴承复合故障诊断方法，首先获取滚动轴承在各健康状态下的振动信号样本，利用特征提取降维模块自动获取振动信号样本的特征并降维；然后使用高斯‑伯努利受限玻尔兹曼机计算样本的能量函数值，并对样本是否属于复合故障进行区分；最后分别通过多元分类器和线性监督自动编码机，完成对单一故障样本与复合故障进行健康状态识别；本发明考虑到了复合故障与单一故障之间的联系，能够有效克服带标签复合故障样本难以获取对诊断的不利影响，可以直接使用单一健康状态样本完成对模型的训练，实现了对滚动轴承单一故障诊断以及复合故障的诊断。
-
公开(公告)号：CN111337256B
公开(公告)日：2020-12-29
申请号：CN202010226934.2
申请日：2020-03-27
Applicant: 西安交通大学
IPC: G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法，首先利用深度残差网络提取源滚动轴承与目标滚动轴承监测数据中的深度迁移故障特征；其次利用深度迁移故障特征训练领域混淆网络，并计算域不对称因子；再次计算深度残差网络适配层故障特征的多核最大均值差异，并利用域不对称因子加权抑制源滚动轴承中无效故障特征的贡献度；最后利用加权的多核最大均值差异构建目标函数，训练深度残差网络；训练所得的由领域混淆网络和深度残差网络构成的局部迁移诊断模型能够有效克服域不对称因素对迁移诊断的不利影响，实现了运用源滚动轴承局部诊断知识识别目标滚动轴承的不平衡健康状态，显著提高了迁移诊断模型的诊断精度。
-
公开(公告)号：CN107451760B
公开(公告)日：2020-06-26
申请号：CN201710784382.5
申请日：2017-09-04
Applicant: 西安交通大学
IPC: G06Q10/06 , G01M13/045
Abstract: 基于时窗滑移受限玻尔兹曼机的滚动轴承故障诊断方法，首先获取滚动轴承在不同健康状态下的振动信号，建立基于时窗滑移受限玻尔兹曼机的故障诊断模型；然后训练时窗滑移受限玻尔兹曼机，利用经过训练的受限玻尔兹曼机从每次滑移后位于时窗内的信号片段提取局部特征，并取局部特征每一维最大值作为振动信号的故障特征；最后基于提取的故障特征，训练Softmax分类器，利用训练后的分类器完成轴承故障的智能诊断，本发明改进了传统受限玻尔兹曼机直接从振动信号提取特征的能力，并克服传统受限玻尔兹曼机难以提取具有平移不变性的特征而不利于智能算法进行分类的问题，并最终提高了诊断精度。
-
Patent Agency Ranking
公开(公告)号：CN119469698A
公开(公告)日：2025-02-18
申请号：CN202411461472.7
申请日：2024-10-18
Applicant: 西安交通大学
IPC: G01M13/00 , G01M13/045 , G06F18/2415 , G06N3/0464
Abstract: 一种基于Kolmogorov‑Arnold网络的机械装备轻量化智能故障诊断方法，先获取机械设备不同故障类型下的原始振动监测数据，构建设备振动监测故障数据集；再构建基于KAN的故障诊断模型，采用可学习的非线性函数来代替卷积中的固定线性权重；然后通过KAN卷积操作将输出特转换为一维特征向量；再将一维特征向量输入到KANLinear层中，以实现高维特征向不同故障类型的映射；然后计算训练损失，将总损失作为训练阶段的优化目标，使用梯度下降法更新模型参数；对故障诊断模型迭代优化；最后使用测试集对故障诊断模型进行测试；本发明不仅能够在保持高诊断精度的同时，显著减少模型参数量，降低计算成本，从而提升整体计算效率。
-
公开(公告)号：CN118962503A
公开(公告)日：2024-11-15
申请号：CN202411037504.0
申请日：2024-07-31
Applicant: 西安交通大学
IPC: G01R31/392 , G01R31/367 , G06N3/0464 , G06N3/049
Abstract: 一种基于类脑计算的电池SOH在线评估方法，包括离线获取IC曲线、离线训练残差脉冲神经网络以及在线评估电池SOH；离线获取IC曲线是基于BMS采集的电压、电流数据，采用差分计算和高斯滤波平滑的预处理方式，得到不同老化状态下IC曲线；离线训练残差脉冲神经网络是采用残差脉冲神经网络构建SOH评估模型，利用离线数据对模型参数进行训练；在线评估电池SOH是将未做标签的测试数据输入到离线训练好的模型中，输出得到对应的SOH标签，实现电池在线SOH评估；本发明提升电池的安全性和使用寿命。
-
公开(公告)号：CN118312751A
公开(公告)日：2024-07-09
申请号：CN202410431701.4
申请日：2024-04-11
Applicant: 西安交通大学
IPC: G06F18/21 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/0895 , G06N3/084 , G06N3/088 , G01N29/14 , G01N29/44 , B64F5/60 , G06F123/02
Abstract: 一种基于声发射信号的航空飞行器结构健康指标智能构建方法，首先获取航空飞行器结构件由健康到破坏的全寿命声发射波形流原始数据，对原始数据进行特征提取；对特征提取后的数据序列进行重叠采样，构建样本训练集和测试集；训练过程中，将训练集数据输入健康指标构建模型中计算，得到输出结果，计算对比学习损失，以对比学习损失为优化目标，采用梯度下降法更新模型参数；训练结束后保存模型参数，将测试集数据输入健康指标构建模型中得到相应的健康指标；最后将健康指标与特征提取后的数据序列放在同一时间尺度上进行对比，验证健康指标的效果；本发明构建的健康指标具有良好的趋势性，能够及时反映航空飞行器结构件的健康状态和退化情况。
-
公开(公告)号：CN115452373B
公开(公告)日：2024-05-28
申请号：CN202211161953.7
申请日：2022-09-23
Applicant: 西安交通大学
IPC: G01M13/04 , G01M13/045 , G06T7/00
Abstract: 一种基于事件相机的滚动轴承故障诊断方法，首先利用事件相机获取滚动轴承在不同健康状态下的视觉事件信号；其次根据视觉事件的极性进行事件的划分和构建事件表征数据集；再次构建智能诊断模型自动获取监测样本的深层故障特征，在训练迭代时同时对与输入样本进行数据增强和表征聚类；最后利用构建的聚类损失函数以及交叉熵损失函数，迭代优化智能诊断模型的目标函数；本发明所构建的智能诊断模型考虑到视觉事件流数据的特殊性，对于视觉事件流数据进行重构，可以直接利用事件相机记录的数据完成滚动轴承的健康状态识别，实现了非接触式的滚动轴承健康状态采集同时完成新型事件流信号的诊断识别，从而实现基于事件相机的滚动轴承故障诊断。
-
公开(公告)号：CN117419915A
公开(公告)日：2024-01-19
申请号：CN202311336069.7
申请日：2023-10-16
Applicant: 西安交通大学
IPC: G01M13/02 , G06V10/40 , G06V10/80 , G06N3/0442 , G06N3/084 , G06F17/14 , G01M13/028 , G01J5/48 , G01R31/34 , H04N23/20 , H04N23/11 , G01J5/00
Abstract: 本发明公开一种多源信息融合的电机故障诊断方法，涉及电机故障诊断技术领域，包括：采集电机运行时的声音信号，通过梅尔滤波器对声音信号进行处理，得到声音信号的静态特征；对声音信号的静态特征做差分获得声音信号的动态特征；采集电机运行状态的红外图像和可见光图像；提取红外图像和可见光图像的特征点；根据正确的匹配点对之间斜率一致性的先验知识对红外图像和可见光图像的特征点进行匹配，获得红外图像的特征信息；将获得的声音信号和红外图像的特征信息作为双向长短记忆神经网络Bi‑LSTM的输入进行特征提取，输出该模型的最终特征表示；该方法利用了声音信息、红外图像信息结合的方式，有效提高了故障类型检测识别的准确度。
-
-
-
-
-
-
-
-
-
Search Results
85
records
(took 0.03 seconds)
