-
公开(公告)号：CN119720094A
公开(公告)日：2025-03-28
申请号：CN202411841124.2
申请日：2024-12-13
Applicant: 西安交通大学
IPC: G06F18/25 , G06F18/10 , G06F18/213 , G06F18/27 , G06N3/0464 , G06N3/08 , G06N5/04
Abstract: 一种多源并行双线性共注意力融合机械装备寿命预测方法，首先对每种类型的监控信号进行预处理；接着将预处理后的数据输入到子网中，进行深入的特征提取，得到高维多源特定特征；然后经多源特征融合模块将高维多源特定特征整合起来，通过一个回归预测推理模块，得到最终预测的RUL预测结果；本发明通过并行子网处理多源数据的异构性，采用多小波核聚合结构和全维度动态结构增强特征提取，并通过因子化双线性池化注意力模块有效融合多源数据特征；不仅增强了模型对多源数据的综合处理能力，而且提高了RUL预测的精确度和可靠性。
-
公开(公告)号：CN118918440A
公开(公告)日：2024-11-08
申请号：CN202411045858.X
申请日：2024-07-31
Applicant: 西安交通大学
IPC: G06V10/82 , G06V10/80 , G06V10/40 , G06V10/764 , G06V10/771 , G06N3/0464 , G06N3/045 , G06N3/096
Abstract: 本发明公开了一种残缺磨粒类型迁移辨识方法及相关设备，基于磨粒综合特征提取器，建立改进域适应驱动的残缺磨粒图像迁移学习模型，结合空间、通道注意力机制建立残缺磨粒多元特征筛选与融合策略，进而构建多通道特征的残缺磨粒类型智能辨识模型，利用残缺磨粒类型智能辨识模型实现对残缺磨粒的辨识，通过引入完整磨粒图像数据集，引导模型提取残缺磨粒图像的有效辨识特征，建立一种面向残缺磨粒图像的迁移学习模型，提高了模型对残缺磨粒图像的特征提取能力；从空间和通道两个维度对磨粒的多元特征进行加权，面向磨粒的多通道特征图设计分类器，增强了模型对残缺磨粒图像的辨识能力，解决了残缺磨粒图像不完整、显著辨识特征缺失导致磨粒辨识精度低的技术问题。
-
公开(公告)号：CN112381770B
公开(公告)日：2024-04-05
申请号：CN202011210667.6
申请日：2020-11-03
Applicant: 西安交通大学 , 西安景辉信息科技有限公司
IPC: G06T7/00 , G06T17/00 , G06T15/00 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08 , G01B11/24
Abstract: 本发明公开了一种基于融合卷积神经网络的磨损表面三维形貌测量方法，通过二维数字滤波技术生成随机粗糙表面，并利用Blender渲染软件得到随机磨损表面的光度图像序列，从而生成用于神经网络训练的数据集；设计特征提取模块、融合模块和法向量估计与细化模块，得到应用于磨损表面法向量估计的融合卷积神经网络；定义神经网络的训练损失函数，并基于数据集训练和调整网络模型；结合磨损表面的先验知识，基于正则化算法实现磨损表面深度信息的求解。本发明有效地将神经网络方法与光度立体技术相结合，解决了磨损表面的反射特性与朗伯模型不匹配的问题，并结合磨损表面的先验知识，实现了磨损表面的精确重构。
-
公开(公告)号：CN112949022B
公开(公告)日：2024-04-02
申请号：CN202110045019.8
申请日：2021-01-13
Applicant: 西安交通大学 , 西安景辉信息科技有限公司
IPC: G06F30/20 , G06F17/16 , G06N5/048 , G06F119/02
Abstract: 本发明公开了一种集成专家系统用模糊证据推理方法、存储介质及设备，对输入ES‑FER模型指标层的油液各指标监测数据进行归一化处理；然后对属性层数据进行模糊化处理，得到各属性隶属于各个状态等级的隶属度矩阵；使用专家系统制定置信规则库，然后基于置信规则库对得到的属性隶属度矩阵进行模糊推理，得到Nr条推理结果；应用证据推理算法进行合成得到最终的基本概率分配函数，在最终的基本概率分配函数中取最大概率所对应的状态等级作为油液最终的综合状态评估等级，并将结果输出。本发明消除了油液监测过程中产生的不确定性，大大提高了油液状态评估的准确性。
-
公开(公告)号：CN114970620B
公开(公告)日：2024-03-08
申请号：CN202210548792.0
申请日：2022-05-20
Applicant: 西安交通大学
IPC: G06F18/2415 , G06F18/23 , G06F18/213 , G06N3/0464 , G06N3/084 , G06N3/096 , G01M13/045
-
Patent Agency Ranking
公开(公告)号：CN117115525A
公开(公告)日：2023-11-24
申请号：CN202311042942.1
申请日：2023-08-17
Applicant: 西安交通大学
IPC: G06V10/764 , G06V10/762 , G06V10/774 , G06V10/771 , G06V10/40 , G06V20/52
Abstract: 本发明公开了一种基于磨粒特征优选的磨损状态精准辨识方法，通过运动磨粒图像分析仪获取装备运行过程中磨粒特征构建初始样本，包括磨粒数量、尺寸、浓度、类型等多维特征；协同磨粒特征关注度和相关系数剔除具有高共线性的特征；以聚类分箱的方式构建磨粒特征隶属判别方法，将原始磨粒特征划分为若干磨粒子特征；以样本平均不纯度评价磨粒特征重要性来实现磨粒特征优选，并利用优选后的磨粒特征进行机械装备磨损状态评估。本发明以随机森林模型架构为基础，通过嵌入磨粒特征预选模块、密集化模块和分类模块建立了机械装备磨损状态辨识模型，解决了目前磨损状态评估中由于磨粒特征选择不合理导致辨识精度低的问题。
-
公开(公告)号：CN116380466A
公开(公告)日：2023-07-04
申请号：CN202310473322.7
申请日：2023-04-27
Applicant: 西安交通大学
IPC: G01M13/045
Abstract: 基于增强事件视觉数据的滚动轴承智能故障诊断方法及系统，先采用事件相机作为传感器对滚动轴承的健康状态进行非接触式的采集；根据目标区域对原始事件流数据进行筛选，通过处理转化为事件帧数据，并且结合扩散模型进行数据增强处理，之后根据轴承的健康状态为增强数据标注了对应的标签，将数据集划分为训练与测试数据集，对测试数据集进行加噪处理；再将训练数据集以及对应的标签输入卷积神经网络模型进行训练，构建事件帧数据与对应标签之间的映射关系；最后根据事件帧数据与对应标签的映射关系模型，对滚动轴承的健康状态进行诊断；本发明能够适配非接触式传感器实现滚动轴承的故障诊断，并且提高了使用事件数据进行故障诊断的精度与泛化性能。
-
公开(公告)号：CN114518084B
公开(公告)日：2023-03-24
申请号：CN202210240890.8
申请日：2022-03-10
Applicant: 西安交通大学
Abstract: 本发明公开了一种滑动轴承润滑膜厚与轴瓦衬层磨损的同步超声测量方法，利用衬层磨损量只改变参考信号相位不改变幅值的特点，建立了同时获得滑动轴承油膜厚度和衬层磨损程度的方法：首先基于磨损后油膜反射信号与未磨损时参考信号的幅值比，用超声反射系数的幅值模型计算油膜厚度；然后基于磨损后油膜反射信号与未磨损时参考信号的相位差建立不同膜厚下的磨损模型来量化滑动轴承衬层的磨损程度。弥补了目前滑动轴承油膜厚度与磨损量之间关系和二者同步测量的研究空白，实现有油膜存在时的磨损测量，有助于轴承状态监测和剩余寿命预测。
-
公开(公告)号：CN115327083A
公开(公告)日：2022-11-11
申请号：CN202211055387.1
申请日：2022-08-30
Applicant: 江苏徐工工程机械研究院有限公司 , 西安交通大学
Abstract: 本公开提供了一种油液监测方法、装置和系统，涉及润滑油监测技术领域。该方法包括：根据监测到的油液数据，建立油液数据模型；利用油液数据模型，补全油液数据，得到全生命周期的油液数据；构建全生命周期的油液数据对应的概率密度函数；以及基于油液质量的可接受置信区间值，以及油液失效时的累计概率密度，得到油液失效时的质量阈值。通过建立全周期监测的数学模型，利用该数据模型能够在监测数据不全的情况下补全油液数据，提高了工程机械油液监测指标失效阈值制定的精准性。
-
公开(公告)号：CN114235409B
公开(公告)日：2022-10-28
申请号：CN202111551544.3
申请日：2021-12-17
Applicant: 西安交通大学
IPC: G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法，先利用公共滚动轴承振动信号和私有滚动轴承振动信号对客户端的本地初始深度卷积诊断模型进行预训练，得到本地过渡深度卷积诊断模型；再将公共滚动轴承振动信号输入至本地过渡深度卷积诊断模型中得到性能分数向量；然后将性能分数向量上传至中央服务器，得到平均性能分数向量并下载至各客户端；再对本地过渡深度卷积诊断模型进行优化；重复性能分数向量计算及优化过程，得到各客户端本地最终深度卷积诊断模型；最后以健康状态未知的滚动轴承振动信号样本为输入，利用本地最终深度卷积诊断模型输出诊断结果，实现滚动轴承健康状态的智能定制化识别；本发明实现了准确、高效的故障诊断。
-
-
-
-
-
-
-
-
-
Search Results
147
records
(took 0.025 seconds)
