-
公开(公告)号：CN112304614A
公开(公告)日：2021-02-02
申请号：CN202011359124.0
申请日：2020-11-27
Applicant: 中国人民解放军海军工程大学
IPC: G01M13/045 , G06K9/00 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种采用多注意力机制的端到端滚动轴承智能故障诊断方法。它将故障特征提取和故障模式分类相结合，通过多注意力机制实现各种故障特征的加权表达；采用多注意力机制的端到端滚动轴承智能故障诊断方法包括滚动轴承数据采集和振动信号转换为图像的方法，振动信号转换为图像的方法为将滚动轴承的振动加速度信号经过积分计算得到相应速度和位移，然后将加速度、速度和位移信号三者合并后获得具有增强特征的图像。本发明克服了现有技术中深层神经网络易受非敏感特征影响，导致滚动轴承故障诊断的准确率受到限制，同时，生成训练样本需要花费大量的时间，并且对专业知识要求较高的缺点；具有诊断精度高，诊断速度快，操作简便的优点。
-
公开(公告)号：CN110044623B
公开(公告)日：2020-09-22
申请号：CN201910298913.9
申请日：2019-04-15
Applicant: 中国人民解放军海军工程大学
IPC: G01M13/045
Abstract: 本发明经验模态分解剩余信号特征的滚动轴承故障智能识别方法，所述方法是结合经验模态分解剩余信号的能量特征和振动信号的时域特征，利用遗传算法优化支持向量机参数的网络模型进行滚动轴承故障模式进行智能识别。本发明结合了经验模态分解剩余信号的能量特征和振动信号的时域特征，利用遗传算法优化支持向量机参数的网络模型用于轴承故障诊断，实验结果表明在小样本情况的基础上，能够更加精准地识别滚动轴承的故障类型，为滚动轴承故障的模式识别和智能诊断提供了帮助。
-
公开(公告)号：CN112304614B
公开(公告)日：2023-04-25
申请号：CN202011359124.0
申请日：2020-11-27
Applicant: 中国人民解放军海军工程大学
IPC: G01M13/045 , G06F18/213 , G06F18/24 , G06F18/214 , G06N3/0464
Abstract: 本发明公开了一种采用多注意力机制的端到端滚动轴承智能故障诊断方法。它将故障特征提取和故障模式分类相结合，通过多注意力机制实现各种故障特征的加权表达；采用多注意力机制的端到端滚动轴承智能故障诊断方法包括滚动轴承数据采集和振动信号转换为图像的方法，振动信号转换为图像的方法为将滚动轴承的振动加速度信号经过积分计算得到相应速度和位移，然后将加速度、速度和位移信号三者合并后获得具有增强特征的图像。本发明克服了现有技术中深层神经网络易受非敏感特征影响，导致滚动轴承故障诊断的准确率受到限制，同时，生成训练样本需要花费大量的时间，并且对专业知识要求较高的缺点；具有诊断精度高，诊断速度快，操作简便的优点。
-
公开(公告)号：CN111832228B
公开(公告)日：2021-08-24
申请号：CN202010690803.X
申请日：2020-07-17
Applicant: 中国人民解放军海军工程大学
Abstract: 本发明公开基于CNN‑LSTM的振动传递系统，包括LSTM模型和CNN模型，所述LSTM模型由多个递归连接的记忆区块的子网络构成，且每个记忆区块中包含细胞神经单元和乘法单元，所述乘法单元包括输入门、输出门和遗忘门，且乘法单元对细胞神经单元进行连续的写、读和重置操作；本发明忽略信号传递路径，直接根据测点A和测点B的原始数据信号，在LSTM模型的基础上，改变输入输出格式，设立输入门、输出门和遗忘门，同时，增加一维卷积层与池化层，进行卷积运算，并对卷积层进行池化/采样处理，建立基于CNN‑LSTM的测点A到测点B的黑匣子模型，通过从数据A到数据B的网络训练，研究A、B之间对应关系。
-
公开(公告)号：CN112100858A
公开(公告)日：2020-12-18
申请号：CN202010984616.2
申请日：2020-09-18
Applicant: 中国人民解放军海军工程大学
Abstract: 本发明公开了一种多源激振系统下单点频率的振动变形分析方法，多源激振系统包括激振源、传感器和基础安装座；分析方法包括：选取确定振源、安装测点并采集振动信号、信号分析并建立机械装备系统动力学模型、机械装备优化。本发明的有益效果是：以复杂实际装备上的振源为处理对象，振动信号复杂，分离复杂振源的振动频率，分析单点频率激励下，多源激振系统下的振动变形，通过建立多系统耦合振动模型，分析不同单点频率特征下系统的振动变形。
-
Patent Agency Ranking
公开(公告)号：CN112100858B
公开(公告)日：2021-12-17
申请号：CN202010984616.2
申请日：2020-09-18
Applicant: 中国人民解放军海军工程大学
Abstract: 本发明公开了一种多源激振系统下单点频率的振动变形分析方法，多源激振系统包括激振源、传感器和基础安装座；分析方法包括：选取确定振源、安装测点并采集振动信号、信号分析并建立机械装备系统动力学模型、机械装备优化。本发明的有益效果是：以复杂实际装备上的振源为处理对象，振动信号复杂，分离复杂振源的振动频率，分析单点频率激励下，多源激振系统下的振动变形，通过建立多系统耦合振动模型，分析不同单点频率特征下系统的振动变形。
-
公开(公告)号：CN110044623A
公开(公告)日：2019-07-23
申请号：CN201910298913.9
申请日：2019-04-15
Applicant: 中国人民解放军海军工程大学
IPC: G01M13/045
Abstract: 本发明经验模态分解剩余信号特征的滚动轴承故障智能识别方法，所述方法是结合经验模态分解剩余信号的能量特征和振动信号的时域特征，利用遗传算法优化支持向量机参数的网络模型进行滚动轴承故障模式进行智能识别。本发明结合了经验模态分解剩余信号的能量特征和振动信号的时域特征，利用遗传算法优化支持向量机参数的网络模型用于轴承故障诊断，实验结果表明在小样本情况的基础上，能够更加精准地识别滚动轴承的故障类型，为滚动轴承故障的模式识别和智能诊断提供了帮助。
-
公开(公告)号：CN109765053A
公开(公告)日：2019-05-17
申请号：CN201910056906.8
申请日：2019-01-22
Applicant: 中国人民解放军海军工程大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明公开了利用卷积神经网络和峭度指标的滚动轴承故障诊断方法，包括如下步骤：通过实验分别获取滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别的振动信号，具体包括样本扩充；生成峭度指标数据集；生成故障图像。本发明方法克服了现有方法过程复杂，针对性不强的缺点。本发明采用深度模型可以提取数据的深层次特征，具有更好的数据表达能力，同时也避免了传统特征提取方法对专业知识的依赖，降低了诊断过程的复杂性。同时通过采集不同故障类型的轴承数据进行实验，结果表明该模型的诊断精度高于传统方法，适用于滚动轴承故障的精确诊断。
-
公开(公告)号：CN109765053B
公开(公告)日：2022-04-29
申请号：CN201910056906.8
申请日：2019-01-22
Applicant: 中国人民解放军海军工程大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明公开了利用卷积神经网络和峭度指标的滚动轴承故障诊断方法，包括如下步骤：通过实验分别获取滚动轴承的外圈故障、内圈故障、滚动体故障以及正常情况四种类别的振动信号，具体包括样本扩充；生成峭度指标数据集；生成故障图像。本发明方法克服了现有方法过程复杂，针对性不强的缺点。本发明采用深度模型可以提取数据的深层次特征，具有更好的数据表达能力，同时也避免了传统特征提取方法对专业知识的依赖，降低了诊断过程的复杂性。同时通过采集不同故障类型的轴承数据进行实验，结果表明该模型的诊断精度高于传统方法，适用于滚动轴承故障的精确诊断。
-
公开(公告)号：CN111832229A
公开(公告)日：2020-10-27
申请号：CN202010691134.8
申请日：2020-07-17
Applicant: 中国人民解放军海军工程大学
Abstract: 本发明公开基于CycleGAN模型的振动传递系统及其训练方法，包括两组GAN模型，每组所述GAN模型由生成器(G、F)和判别器(DX、DY)组成，所述生成器(G、F)采用一维卷积网络构建，所述判别器(DX、DY)采用一维卷积神经网络构建；本发明忽略机械设备结构具体的振动传递路径，只考虑测点A和测点B之间的振动信号传递关系，建立黑匣子式振动信号传递模型，基于生成对抗网络模型CycleGAN模型，以测点的原始数据信号为基础，对CycleGAN模型中的生成器和判别器进行训练，获得稳定的模型参数，建立测点A到测点B的振动信号传递程序模型。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.032 seconds)
