-
公开(公告)号：CN110940524A
公开(公告)日：2020-03-31
申请号：CN201911247211.4
申请日：2019-12-06
Applicant: 西安交通大学
IPC: G01M13/045 , G06F30/20 , G06F30/17
Abstract: 本公开揭示了一种基于稀疏理论的轴承故障诊断方法，包括：通过经验模态分解将采集到的轴承的原始振动信号X(t)分解成N个本征模式函数，计算出每个本征模式函数ci(t)的能占比γi并按照从大到小排序，选取最大能占比对应的本征模式函数作为分析信号x(t)；利用所述分析信号x(t)提取轴承中由第i阶固有频率fni激起的自由衰减响应xi(t)，通过优化算法从该自由衰减响应xi(t)中提取模态参数；利用质量-弹簧二阶阻尼系统的脉冲响应函数作为原子模型，将所提取的模态参数集合化形成参数集，将该参数集输入原子模型中，构建稀疏字典；利用匹配追踪算法结合所构建的稀疏字典求解出重构信号，并对所述重构信号进行包络解调分析形成包络谱，当包络谱中存在轴承的故障特征频率时，即可实现故障诊断。
-
公开(公告)号：CN110579354A
公开(公告)日：2019-12-17
申请号：CN201910985498.4
申请日：2019-10-16
Applicant: 西安交通大学
IPC: G01M13/045 , G06F17/50 , G06N3/04
Abstract: 本发明公开了一种基于卷积神经网络的轴承检测方法，方法包括以下步骤：基于轴承的振动加速度信号生成基于卷积神经网络的一维振动信号，将所述一维振动信号按照时序和比率依次划分为训练集、验证集和测试集，建立基于Grad-CAM的卷积神经网络可视化结构，经过ReLU函数激活获得卷积神经网络对应于输入样本的Grad-CAM图，在所述Grad-CAM图上采样振动信号的维度，以Grad-CAM的取值区间设定不同激活阈值，以Grad-CAM激活区域对应的坐标作为索引对原始信号经过卷积神经网络后的激活情况进行标注，建立神经网络区域与目标类别之间的联系。
-
公开(公告)号：CN110509109A
公开(公告)日：2019-11-29
申请号：CN201910638155.0
申请日：2019-07-16
Applicant: 西安交通大学
IPC: B23Q17/09
Abstract: 本发明公开了一种基于多尺度深度卷积循环神经网络的刀具磨损监测方法，方法包括以下步骤：基于多路传感器测量的刀具数据预处理数据，构造输入矩阵；构造多尺度卷积神经网络，获取多尺度特征，多尺度卷积神经网络的每个分支基于最大值池化后的输出进行特征融合，最终获得多尺度特征；构造深度循环GRU网络以提取不同时间尺度的特征和表示，深度循环GRU网络包括第一层GRU网络和第二层GRU网络，第二层GRU网络的单元数比第一层GRU网络的单元数多，多尺度特征经过深度循环GRU网络处理后获得不同时间尺度的特征和表示；基于特征构造全连接层，将特征映射到样本标记空间；基于全连接层的输出结果构造线性回归层，获得刀具磨损量。
-
公开(公告)号：CN110068439A
公开(公告)日：2019-07-30
申请号：CN201910342458.8
申请日：2019-04-25
Applicant: 西安交通大学
IPC: G01M7/06
Abstract: 公开了一种转子叶片多模态振动激励装置及其激励方法，电机经由联轴器带动主轴旋转，主轴与整体叶盘通过花键连接，气泵喷出的气体经由分流阀输送至激励喷嘴，对整体叶盘进行气动激励，处理单元连接转速传感器和叶端定时传感器，根据记录的所述转速时基信号和叶片到达时间信号，处理单元生成转子叶片的振动信息，本装置的激励喷嘴部分采用均布形式，能够根据试验需求激励出多阶振动模态或激励出某一高阶的单模态振动。解决了叶片难以产生高阶模态振动和多模态振动的问题，对于转子叶片非接触式测量叶端定时系统的构建具有重要意义。
-
公开(公告)号：CN109871661A
公开(公告)日：2019-06-11
申请号：CN201910236530.9
申请日：2019-03-26
Applicant: 西安交通大学
IPC: G06F17/50
Abstract: 本发明公开了一种叶端定时信号丢失的识别补全方法，包括：基于转速信号序列与叶端定时信号序列的插补关系，识别转速信号丢失的位置和个数；计算转速信号丢失率，根据转速信号丢失率执行转速信号补全方案；基于窗格划分的单圈叶片信号丢失识别方法，识别叶片信号丢失的位置；根据叶片信号丢失的位置，判断叶端定时信号丢失为连续丢失还是间断丢失；若为连续丢失，则采用基于窗格划分的信号补全法；若为间断丢失，则采用基于前后有效圈的信号补全法。本发明能够有效应对叶端定时信号采集过程中的信号丢失现象，改善信号的可处理性，便于后续叶片振动位移信息提取。
-
Patent Agency Ranking
公开(公告)号：CN109520562A
公开(公告)日：2019-03-26
申请号：CN201811251069.6
申请日：2018-10-25
Applicant: 西安交通大学
Abstract: 公开了一种叶端定时检测装置及其安装方法，所述叶端定时检测装置包括叶端定时检测装置，其包括基础部分、动力输入部分、运动部分和检测部分，底板用于支承动力输入部分、运动部分和检测部分；主轴经由轴承安装在轴承座，所述主轴的第一端经由联轴器连接所述电机，第二端设有轮盘，叶片安装在所述轮盘上；机匣经由机匣底板固定在所述底板，所述机匣包围所述轮盘和叶片，所述机匣上均布多个通孔，叶端定时传感器安装在所述通孔。
-
公开(公告)号：CN106370726A
公开(公告)日：2017-02-01
申请号：CN201610718381.6
申请日：2016-08-24
Applicant: 西安交通大学
CPC classification number: G01N29/045 , G01N29/4436 , G01N2291/0231 , G01N2291/0289
Abstract: 一种二维复合材料的损伤检测系统及其检测方法，检测系统包括测量二维复合材料模态振型的测量装置、傅立叶模态曲率计算模块和判断模块，所述模态振型测量装置包括用于敲击所述二维复合材料上间隔h均匀分布的测量点的力锤、测量所述测量点的加速度的加速度传感器以及模态振型测量模块，连接所述加速度传感器的所述模态振型测量模块基于所述加速度生成模态振型(w(x，y))，其中x，y表示测量点的平面坐标值，所述傅立叶模态曲率计算模块通过公式计算得到傅立叶模态曲率，所述判断模块连接所述傅立叶模态曲率计算模块。
-
公开(公告)号：CN105784934A
公开(公告)日：2016-07-20
申请号：CN201610133048.9
申请日：2016-03-09
Applicant: 西安交通大学
IPC: G01N33/00
CPC classification number: G01N33/00 , G01N2033/0003
Abstract: 本公开涉及一种基于频率三线相交法进行复合材料板损伤定位方法及系统，所述方法包括对所述目标复合材料板进行模态测试，测得其前三阶固有频率；利用测得的前三阶固有频率在频率数据库中获取相应频率数值下对应的不同平面不同损伤程度数据集；利用前一步获得的数据集绘制三组等值面；判断三组等值面是否存在交点，利用交点判断是否存在损伤等步骤。基于所述方法，实现了相应的系统，方便方法的应用。本公开具有无需多点测试数据、对稳定结构统计可变性小、噪声免疫力强等优势，可以快速识别复合材料板结构的损伤程度、损伤位置；具有运算实施性好，简单易行，适合现场指导复合材料板动力学无损检测的特点。
-
公开(公告)号：CN119939214A
公开(公告)日：2025-05-06
申请号：CN202510025013.2
申请日：2025-01-08
Applicant: 西安交通大学
IPC: G06F18/213 , G01H17/00 , G01M7/02 , G01M13/00 , G06F18/23213 , G06F18/241
Abstract: 本公开提供一种用于单传感叶端定时信号的固有频率提取方法，根据单传感器测量数据和先验信息选择叶片共振区测量信号，根据叶片共振区测量信号，生成两组特定虚拟信号，利用频移原理生成两组点乘信号，通过点乘信号频谱差值的斜率提取特征频率，根据混叠公式和先验信息进行解混叠，实现叶片固有频率的提取。本公开方案解决了叶端定时测量信号高度欠采样问题，能够快速准确地从混叠频谱中提取出旋转叶片的固有频率。
-
公开(公告)号：CN115586260B
公开(公告)日：2024-05-28
申请号：CN202211206495.4
申请日：2022-09-29
Applicant: 西安交通大学
Abstract: 本发明公开了一种基于连续压缩感知的叶端定时信号无网格频谱估计方法，方法中，根据叶端定时基本原理和压缩感知理论给出叶端定时信号的等效采样模型，同时得到叶端定时信号频谱估计的原问题，叶端定时信号频谱估计问题转化为原子范数软阈值降噪问题，利用交替方向乘子法求解原子软阈值降噪问题，根据原子范数对偶范数的性质估计叶端定时信号的频率支撑集，通过频率支撑集，利用最小二乘算法估计各频率对应的幅值，得到叶端定时信号的频谱估计。通过交替方向乘子法进行高效的求解，同时为了避开网格化导致的频谱估计误差增大引入原子范数的对偶范数进行频率支撑集的估计，有效避免了由于离散化变换基导致的频谱估计性能下降。
-
-
-
-
-
-
-
-
-
Search Results
146
records
(took 0.027 seconds)
