-
公开(公告)号：CN112539933A
公开(公告)日：2021-03-23
申请号：CN202011491965.7
申请日：2020-12-16
Applicant: 东南大学
IPC: G01M13/021 , G01M13/028
Abstract: 本发明提供了一种基于共振基带宽傅立叶分解的齿轮箱故障诊断方法，共振基带宽傅立叶分解首先基于单自由度质量‑刚度‑阻尼系统建立齿轮箱的暂态振动响应模型，然后通过傅立叶谱极大值点搜索估计齿轮箱振动系统的自振频率并通过带宽优化提取原始信号中的共振带，最后根据特征频率比筛选出分解结果中包含故障信息较多的有效分量并通过希尔伯特解调实现齿轮箱故障的准确识别。本发明具有计算速度快、抗噪声能力强和故障识别精度高的特点，能有效应用于复杂噪声环境下的齿轮箱故障诊断。
-
公开(公告)号：CN112577747B
公开(公告)日：2023-08-08
申请号：CN202011436394.7
申请日：2020-12-07
Applicant: 东南大学
IPC: G01M13/045 , G06F18/24 , G06F18/213 , G06F18/2413 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于空间池化网络的滚动轴承故障诊断方法，采集滚动轴承故障状态和正常状态的振动信号，并对采集到的轴承振动信号进行切割形成样本，将样本分为训练集、验证集和测试集；然后将训练集和验证集中的样本输入到卷积神经网络中进行训练并调整其结构；在确定结构的卷积神经网络最后一个“卷积+池化”单元后加入空间池化注意力实现对特征的加权，并加入两层空间池化层和softmax分类器，完成空间池化模型的构建；将训练集和验证集的样本输入到空间池化网络中进行参数更新，并将测试集的样本输入到已经训练好的空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度。
-
公开(公告)号：CN112577747A
公开(公告)日：2021-03-30
申请号：CN202011436394.7
申请日：2020-12-07
Applicant: 东南大学
IPC: G01M13/045 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于空间池化网络的滚动轴承故障诊断方法，采集滚动轴承故障状态和正常状态的振动信号，并对采集到的轴承振动信号进行切割形成样本，将样本分为训练集、验证集和测试集；然后将训练集和验证集中的样本输入到卷积神经网络中进行训练并调整其结构；在确定结构的卷积神经网络最后一个“卷积+池化”单元后加入空间池化注意力实现对特征的加权，并加入两层空间池化层和softmax分类器，完成空间池化模型的构建；将训练集和验证集的样本输入到空间池化网络中进行参数更新，并将测试集的样本输入到已经训练好的空间池化网络中得到轴承状态类型并与标签进行对比，计算得出诊断精度。
-
Patent Agency Ranking
公开(公告)号：CN112163474B
公开(公告)日：2024-03-26
申请号：CN202010966319.5
申请日：2020-09-15
Applicant: 东南大学
IPC: G06F18/213 , G06F18/24 , G06F18/2415 , G06N3/0464 , G01M13/045
Abstract: 本发明针对单视角特征及单一模型对齿轮箱中滚动轴承复合故障的诊断准确率较低的问题，提出了基于比例冲突分配规则的模型融合故障诊断方法。包括如下步骤：1)对齿轮箱振动信号进行特征提取，针对复杂复合故障，从时域及时频域角度构造特征。2)将多视角特征送入多个子模型中进行初步诊断，得到互补性强的诊断结果。3)模型输出的分类概率由第6类比例冲突分配规则进行融合。实验证明本发明融合模型所得出的结果具有较高的稳定性，并在一定条件下可以提高故障诊断的准确率。
-
公开(公告)号：CN112163472A
公开(公告)日：2021-01-01
申请号：CN202010965476.4
申请日：2020-09-15
Applicant: 东南大学
IPC: G06K9/00 , G06K9/62 , G01M13/045
Abstract: 本发明研究了滚动轴承振动信号多视角特征集的特征融合过程，提出了基于随机森林特征选择和自编码器降维的特征融合。首先，利用统计特征和时序信号频谱分析方法提取滚动轴承多视角特征；2)利用随机森林输出高维特征的特征重要度，基于特征重要度将剔除无效特征，减少特征维度；3)针对特征集中存在的特征重要度相同的冗余特征，利用自编码器将其进行非线性降维，从而得到能够清晰表达轴承状态差异的小冗余低维特征集。
-
公开(公告)号：CN112577748A
公开(公告)日：2021-03-30
申请号：CN202011461492.6
申请日：2020-12-07
Applicant: 东南大学
IPC: G01M13/045 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，首先利用构建的CNN模型对原始振动信号进行多维度特征提取，随后将其输入轻量级多尺度特征学习网络提取多尺度特征，并对学到的多尺度特征利用判别性故障特征强化机制(DFRM)进行选择性强化，以增强故障特征，弱化一般性特征。然后将强化后的多尺度特征进行融合，重复上述步骤数次，将最终获得的高等级抽象特征映射输入分类器进行训练，最后根据训练好的CNN模型对待测样本进行故障识别，从而实现对滚动轴承的故障诊断。本发明弥补了传统CNN算法在面对复杂工况和强噪声干扰情况下判别性故障特征提取能力不够的缺陷，满足了工业物联网对深度学习模型提出的轻量级需求。
-
公开(公告)号：CN112163474A
公开(公告)日：2021-01-01
申请号：CN202010966319.5
申请日：2020-09-15
Applicant: 东南大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G01M13/045
Abstract: 本发明针对单视角特征及单一模型对齿轮箱中滚动轴承复合故障的诊断准确率较低的问题，提出了基于比例冲突分配规则的模型融合故障诊断方法。包括如下步骤：1)对齿轮箱振动信号进行特征提取，针对复杂复合故障，从时域及时频域角度构造特征。2)将多视角特征送入多个子模型中进行初步诊断，得到互补性强的诊断结果。3)模型输出的分类概率由第6类比例冲突分配规则进行融合。实验证明本发明融合模型所得出的结果具有较高的稳定性，并在一定条件下可以提高故障诊断的准确率。
-
公开(公告)号：CN111744468A
公开(公告)日：2020-10-09
申请号：CN202010583698.X
申请日：2020-06-23
Applicant: 国家能源集团谏壁发电厂 , 东南大学
Abstract: 本发明公开了一种低温抗碱金属SCR脱硝催化剂及其制备方法与应用，所述催化剂，以钛的氧化物为载体，钒的氧化物为活性成分，钨、钼和稀有金属的氧化物为助催化剂；稀有金属为Eu、Nd、Ho或Sb中的一种或多种；钛、钒、钨、钼、稀有金属的质量比为100∶1～4∶2～6∶0.5～4∶0.5～3。所述制备方法为：分别称量钛的氧化物、钒的氧化物、钨的氧化物的前驱物、钼的氧化物的前驱物、稀有金属氧化物的前驱物；将钒的氧化物的前驱物、钨的氧化物的前驱物、钼的氧化物的前驱物及稀有金属的前驱物加入去离子水中，在搅拌过程中缓慢加入二氧化钛，获得的溶液经搅拌、浸渍后，烘干，研磨煅烧。本发明的低温抗碱金属SCR脱硝催化剂，具有低脱硝反应温度，宽催化还原脱硝活性温度窗口、优异抗碱金属中毒性能且成本低的特点。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.014 seconds)
