-
公开(公告)号：CN117232793A
公开(公告)日：2023-12-15
申请号：CN202211690519.8
申请日：2022-12-27
Applicant: 西安交通大学
IPC: G01M13/00 , G01M13/045 , G01M13/021 , G01M13/028 , G06F17/10
Abstract: 公开了一种基于自适应带宽稀疏时域同步平均的机械故障诊断方法，方法中，已知传感器的精度信息，用传感器采集机械振动以及转速信号，并进行模/数转换，利用已知的机械部件信息，得到自适应带宽加权向量w1，并计算衡量波动程度的指标IADSTSA。然后判断转速波动是否正常：若不满足要求，须对振动信号进行阶次分析并构造自适应带宽加权向量。第三，判断传感器的精度：若传感器精度低，须使用高精度转速估计方法修正，并重新构造自适应带宽加权向量。最后，构造稀疏时域同步平均模型F，利用迭代优化求解算法对模型求解得到稀疏频域信息x和重构时域信息最后使用包络谱分析并借助指标CIADSTSA辅助分析进行齿轮、转子以及轴承等机械故障诊断。
-
公开(公告)号：CN114408049B
公开(公告)日：2023-07-18
申请号：CN202210169790.0
申请日：2022-02-23
Applicant: 西安交通大学
IPC: B62D57/032 , B25J11/00
Abstract: 本发明公开了一种舵机驱动四足连杆机器人，属于机器人技术领域，在最大限度上减少了驱动数量，仅用两个微型舵机驱动便能实现机器人在二维平面上的自由运动，不仅降低了驱动机构的复杂性，让小型化设计更加简单，而且减少了因冗余驱动产生的能量消耗，提高了机器人的运动效率。利用连杆机构对机器人运动进行约束，进而实现了在单一驱动作用下的对角步态爬行，同时较低的重心设计可通过替换足部黏附材料实现垂直壁面与天花板上的爬行，提高运动稳定性的同时降低了运动机构的复杂性。
-
公开(公告)号：CN113762069A
公开(公告)日：2021-12-07
申请号：CN202110839564.4
申请日：2021-07-23
Applicant: 西安交通大学
IPC: G06K9/00
Abstract: 本发明公开了一种任意噪声下长序列鲁棒增强快速趋势滤波方法，首先采用滑窗的办法将信号进行分割，将每段信号分别采用鲁棒增强趋势滤波方法进行提取趋势信号，通过求取在2个窗内重叠部分信号之间距离最小点，即可确定拼接点，分别将2个窗内信号在拼接点处分别截取，即可获得较为平滑的曲线；本发明可以用于提取天气信号、摩擦系数信号、振动信号等随时间变化的一维信号，本方法克服了原有的趋势滤波方法只能提取高斯白噪声分布下的信号趋势，可以提取非高斯白噪声下的趋势信号，并且本方法能够对长序列信号进行提取，极大的提高了长序列信号的提取效率，缩短了提取时间。
-
公开(公告)号：CN113324758A
公开(公告)日：2021-08-31
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：CN112784490A
公开(公告)日：2021-05-11
申请号：CN202110100316.8
申请日：2021-01-25
Applicant: 西安交通大学
Abstract: 公开直升机健康管理系统的传感器位置优化方法，包括将直升机健康管理系统的传感器采集信号按传感器编号顺序排列形成多信道传感器信号输入矩阵X，构造用于信道权重的自适应学习的信道权重自适应模块，对信道权重使用非线性激活函数M(·)进行激活使得信道权重被限制在预定范围内，得到加权后的输入将信道权重自适应模块加入到多尺度卷积神经网络的输入层以构造信道权重自适应深度网络，在网络训练过程中多信道输入信号先经过信道权重自适应模块对各个通道中的信号权重进行修正，再将加权后的信号输入到多尺度卷积神经网络中用于特征提取和故障识别。通过对比网络训练前后的信道权重的大小变化，挑选出权值增加的关键传感器从而实现传感器的优化布置。
-
Patent Agency Ranking
公开(公告)号：CN111504644B
公开(公告)日：2021-04-09
申请号：CN202010248112.4
申请日：2020-04-01
Applicant: 西安交通大学
IPC: G01M13/045 , G01M13/04 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本公开揭示了一种基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法，包括：分别采集在不同工况下运行的高铁牵引电机轴承的第一和第二振动信号，将第一振动信号作为源域数据，将第二振动信号作为目标域数据；建立包括特征提取器F、标签预测器G和域分类器D的条件对抗域自适应网络；同时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条件对抗域自适应网络进行前向传播，所述训练好的条件对抗域自适应网络输出故障预测结果，实现高铁牵引电机轴承故障诊断。本公开能够有效提高模型在目标域数据上的诊断准确率、减小了域间差异以及增强了特征分布的区分性从而提高了模型的鲁棒性。
-
公开(公告)号：CN110553844B
公开(公告)日：2020-12-25
申请号：CN201910673971.5
申请日：2019-07-24
Applicant: 西安交通大学
IPC: G01M13/045 , G01M13/028 , G01B21/22 , G06F17/10
Abstract: 本发明公开了一种旋转机械的不对中故障检测方法及其检测系统，方法包括以下步骤：测量旋转机械的输入端转频ωs以及输入端轴承的轴向和径向振动信号x(t)；基于所述转频ωs以及输入端轴承的轴向和径向振动信号x(t)进行数据处理得到滤波后的信号y(t)以及基于滤波后的信号y(t)频谱处理得到频谱幅值指标；通过第二步骤得到轴向频谱幅值指标TZ和径向频谱幅值指标TJ，当轴向振动信号的频幅值指标TZ小于第一预定值，径向振动信号的频幅值指标TJ小于第二预定值，确定旋转机械正常对中，当轴向振动信号的频幅值指标TZ大于第一预定值和/或径向振动信号的频幅值指标TJ大于第二预定值，确定发生不对中故障。
-
公开(公告)号：CN111504644A
公开(公告)日：2020-08-07
申请号：CN202010248112.4
申请日：2020-04-01
Applicant: 西安交通大学
IPC: G01M13/045 , G01M13/04 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本公开揭示了一种基于嵌入区分性的条件对抗域自适应的轴承故障诊断方法，包括：分别采集在不同工况下运行的高铁牵引电机轴承的第一和第二振动信号，将第一振动信号作为源域数据，将第二振动信号作为目标域数据；建立包括特征提取器F、标签预测器G和域分类器D的条件对抗域自适应网络；同时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条件对抗域自适应网络进行前向传播，所述训练好的条件对抗域自适应网络输出故障预测结果，实现高铁牵引电机轴承故障诊断。本公开能够有效提高模型在目标域数据上的诊断准确率、减小了域间差异以及增强了特征分布的区分性从而提高了模型的鲁棒性。
-
公开(公告)号：CN110553844A
公开(公告)日：2019-12-10
申请号：CN201910673971.5
申请日：2019-07-24
Applicant: 西安交通大学
IPC: G01M13/045 , G01M13/028 , G01B21/22 , G06F17/10
Abstract: 本发明公开了一种旋转机械的不对中故障检测方法及其检测系统，方法包括以下步骤：测量旋转机械的输入端转频ωs以及输入端轴承的轴向和径向振动信号x(t)；基于所述转频ωs以及输入端轴承的轴向和径向振动信号x(t)进行数据处理得到滤波后的信号y(t)以及基于滤波后的信号y(t)频谱处理得到频谱幅值指标；通过第二步骤得到轴向频谱幅值指标TZ和径向频谱幅值指标TJ，当轴向振动信号的频幅值指标TZ小于第一预定值，径向振动信号的频幅值指标TJ小于第二预定值，确定旋转机械正常对中，当轴向振动信号的频幅值指标TZ大于第一预定值和/或径向振动信号的频幅值指标TJ大于第二预定值，确定发生不对中故障。
-
公开(公告)号：CN119355527A
公开(公告)日：2025-01-24
申请号：CN202411445593.2
申请日：2024-10-16
Applicant: 西安交通大学
IPC: G01R31/367 , G01R31/392 , G01R31/385 , G01R31/396
Abstract: 本公开提供一种基于标签分布平滑的锂离子电池健康状态估计方法，包括：采集锂离子电池充电过程的过程量信号，以及状态量信号，得到电池的健康状态量；将所有归一化后的数据划分为训练集、验证集和测试集；建立卷积神经网络模型，将健康状态值作为标签，模型输出为估计的健康状态值；获得最终的估计误差，将该估计误差反向传播以优化卷积神经网络模型；对优化后的卷积神经网络模型效果进行验证，并输出健康状态估计结果，实现在数据长尾分布情况下锂离子电池健康状态的估计。本公开能够有效降低锂离子电池领域回归任务中数据不平衡问题所带来的估计误差，实现对电池健康状态的准确估计。
-
-
-
-
-
-
-
-
-
Search Results
82
records
(took 0.027 seconds)
