公开(公告)号：CN113340625A

公开(公告)日：2021-09-03

申请号：CN202110430399.7

申请日：2021-04-21

Applicant: 北京交通大学

Inventor： 王志鹏 ,  左亚昆 ,  张慧月 ,  贾利民 ,  秦勇 ,  王宁

IPC: G01M17/10 ,  G01M17/08

Abstract: 本发明实施例提供了一种基于奇异值完全分解和固定字典极限学习机的转向架故障诊断方法，包括：步骤1，获取转向架数据，利用VMD变分模态分解算法对所述转向架数据进行分解，分解出多种本征函数；步骤2，使用奇异值完全分解算法对分解出的本征函数中的左右奇异值矩阵中的特征信息，进行分解及特征重构，完成二次特征提取；步骤3，利用固定字典极限学习机，对二次特征提取后的数据进行学习，以识别转向架的故障。

公开(公告)号：CN110907177A

公开(公告)日：2020-03-24

申请号：CN201911258077.8

申请日：2019-12-10

Applicant: 北京交通大学

Inventor： 贾利民 ,  左亚昆 ,  王志鹏 ,  王宁 ,  秦勇 ,  陈欣安

IPC: G01M13/045

Abstract: 本发明提供了一种基于分层极限学习机的轴承故障诊断方法，属于机械零部件故障诊断技术领域，对振动加速度信号通过VMD算法分解为多个模态分量；选取依照中心频率大小排序的前四项模态通过SVD算法进行特征提取，对输入的特征数据映射入随机的稀疏化隐含层空间，获取训练样本间的隐藏信息，每层隐含层通过稀疏自动编码器对上一层处理的特征数据进行再次随机映射；通过快速迭代收缩算法(FISTA)获得最优的神经网络权重使得实际输出贴近所规定的标签数据。本发明同时实现了降噪和精准分类，在与分层极限学习机的情况下能够提升识别精度和特征信息使用率；相较于原本的极限学习机而言，在滚动轴承信号的故障诊断上有能达到更高的识别精度和更快的训练速度。

公开(公告)号：CN113340625B

公开(公告)日：2023-01-06

申请号：CN202110430399.7

申请日：2021-04-21

Applicant: 北京交通大学

Inventor： 王志鹏 ,  左亚昆 ,  张慧月 ,  贾利民 ,  秦勇 ,  王宁

IPC: G01M17/10 ,  G01M17/08

Abstract: 本发明实施例提供了一种基于奇异值完全分解和固定字典极限学习机的转向架故障诊断方法，包括：步骤1，获取转向架数据，利用VMD变分模态分解算法对所述转向架数据进行分解，分解出多种本征函数；步骤2，使用奇异值完全分解算法对分解出的本征函数中的左右奇异值矩阵中的特征信息，进行分解及特征重构，完成二次特征提取；步骤3，利用固定字典极限学习机，对二次特征提取后的数据进行学习，以识别转向架的故障。