-
公开(公告)号：CN109489946A
公开(公告)日：2019-03-19
申请号：CN201811104967.9
申请日：2018-09-21
Applicant: 华中科技大学
CPC classification number: G01M13/00 , G06K9/00503 , G06K9/00523 , G06K9/00536 , G06K9/6259 , G06N3/0454 , G06N3/08
Abstract: 本发明属于机械设备状态监测与故障诊断相关技术领域，其公开了一种旋转机械的故障诊断方法及系统，该方法包括以下步骤：(1)采集到的待诊断旋转机械的振动信号划分为前后衔接的多个数据段，并计算得到每个数据段对应的小波时频图像；(2)对所有小波时频图像进行随机划分和归一化处理以得到训练集及测试集，并根据预定的测试指标来确定所述训练集中标记样本的个数；(3)依序使用所述训练集及所述测试集对预先建立的半监督生成对抗网络进行训练和测试，并采用训练好的所述半监督生成对抗网络对待诊断旋转机械进行故障诊断，且输出故障诊断结果。本发明提高了诊断准确率，极大地降低了人工成本，稳定性较好。
-
公开(公告)号：CN112633339A
公开(公告)日：2021-04-09
申请号：CN202011466643.7
申请日：2020-12-14
Applicant: 华中科技大学
Abstract: 本发明属于故障诊断技术领域，公开了一种轴承故障智能诊断方法、诊断系统、计算机设备及介质，将源域数据和目标域数据分别转化为灰度图；利用残差网络特征提取器提取高维特征张量；于自适应层利用局部最大均方差(LMMD)自适应方法计算局部最大均值差异误差；将差异误差以及预测值与真实值之间的误差作为残差深度子域自适应故障诊断网络的优化对象训练残差深度子域自适应故障诊断网络；利用训练好的残差深度子域自适应故障诊断网络基于待测试的目标域数据进行轴承故障诊断。本发明引入LMMD来精确对齐源域和目标域中同一类别内相关子域的分布，从而为每一类别挖掘出更细粒度的特征，继而能够提高故障诊断精度。
-
公开(公告)号：CN109597315B
公开(公告)日：2020-08-18
申请号：CN201811281339.8
申请日：2018-10-31
Applicant: 华中科技大学
IPC: G05B17/02
Abstract: 本发明公开了一种机械设备健康退化状态辨识方法、设备及系统，属于机械状态监测和健康退化状态辨识领域。该方法先获取机械设备的多种监测信号，提取其时域特征、功率谱特征及本征模态能量特征，然后利用GSOM网络对上述特征进行融合，得到其融合特征，再构建GenSVM模型，利用上述融合特征数据对GenSVM模型进行训练，获得测试模型，最后实时采集待测机械设备的多种监测信号，获取上述信号的将融合特征数据输入到测试模型中，得到健康退化状态辨识结果。本发明的上述方法以及基于上述方法的设备和系统能够对机械设备的健康退化状态进行实时精确辨识，实现机械设备的状态实时监测，保障数控机床的安全、稳定、长周期运行。
-
公开(公告)号：CN113076834B
公开(公告)日：2022-05-13
申请号：CN202110320215.1
申请日：2021-03-25
Applicant: 华中科技大学
Abstract: 本发明属于旋转机械状态监测与故障诊断技术领域，公开了一种旋转机械故障信息处理方法、处理系统、处理终端、介质，构建包含深度特征提取器、领域分类器和状态预测器的神经网络模型，通过神经网络模型利用深度特征提取器自动提取来自实验室模拟数据和实际工程设备中的旋转部件监测数据的迁移故障特征；利用领域分类器来缩短两种数据分布之间的差别，利用状态预测器并引入领域适配约束，形成基于深度领域自适应对抗网络的故障诊断模型，并利用所述模型实现旋转机械的故障智能诊断。本发明能够准确提取实验室模拟数据和实际工程数据中的迁移故障特征，并形成能够应用于旋转部件的故障迁移诊断模型，通过实际的案例利用，达到了理想的效果。
-
公开(公告)号：CN110427974A
公开(公告)日：2019-11-08
申请号：CN201910614733.7
申请日：2019-07-09
Applicant: 华中科技大学
IPC: G06K9/62
Abstract: 本发明属于设备状态监测相关技术领域，其公开了一种基于广义支持向量机的液压部件健康状态检测方法，该方法包括以下步骤：(1)获取多组样本液压部件处于不同健康状态下的传感器信号以作为样本数据，且同时获得对应的的健康状态数据；(2)计算所得到的特征数据与所述健康状态数据之间的相关性，并选取训练特征；(3)采用堆叠集成学习方法构建多个广义支持向量机模型，并采用所述广义支持向量机模型训练过程中所输出的数据来训练得到随机森林模型，由此得到了广义支持向量机检测模型；(4)将得到的待测液压部件的实时传感器信号数据输入到所述广义支持向量机检测模型，以进行健康状态检测。本发明提高了检测精度及灵活性，适用性较强。
-
Patent Agency Ranking
公开(公告)号：CN109100143A
公开(公告)日：2018-12-28
申请号：CN201810738093.6
申请日：2018-07-06
Applicant: 华中科技大学
IPC: G01M13/04
Abstract: 本发明公开了一种基于CEEMDAN和CFSFDP的滚动轴承故障诊断方法及设备，属于旋转机械故障诊断领域。该方法通过获取正常状态和不同故障模式状态下轴承的振动信号得到不同状态的振动信号的样本点，利用CEEMDAN分解得到轴承诊断的时频域特征并与时域、频域特征一起筛选出轴承状态表征参数，将表征参数分为训练样本和测试样本，然后利用表CFSFDP算法作为轴承故障诊断模型，将训练样本输入轴承故障诊断模型中，对输出结果进行聚类，得到聚类的数量、各类别的聚类中心点以及聚类中心点对应的状态类型；并利用测试样本对训练后的诊断模型进行检验。本发明的方法及设备能够准确有效的识别不同的轴承故障类型及故障严重程度。
-
公开(公告)号：CN110738360B
公开(公告)日：2022-08-16
申请号：CN201910925690.4
申请日：2019-09-27
Applicant: 华中科技大学
Abstract: 本发明属于机械设备状态监测和寿命预测技术领域，并公开了一种设备剩余寿命预测方法及系统。该方法首先需要获取设备多种物理量的历史监测信号，并从中筛选相关度较高的信号；然后为筛选出的信号设置归一化标签并转换为矩阵形式；再构建嵌套式长短期记忆神经网络，使用已知的信号矩阵进行训练，得到设备剩余寿命预测模型；最后利用高斯滤波法进一步优化模型输出，保证输出结果平稳可靠。本发明的方法及采用上述方法的系统能够对设备，尤其是长周期工作和具有耦合故障模式的机械设备的剩余使用寿命和退化状态进行实时精准预测，可实现机械设备故障的提前感知，保证设备的安全、稳定、长期运行。
-
公开(公告)号：CN113076834A
公开(公告)日：2021-07-06
申请号：CN202110320215.1
申请日：2021-03-25
Applicant: 华中科技大学
Abstract: 本发明属于旋转机械状态监测与故障诊断技术领域，公开了一种旋转机械故障信息处理方法、处理系统、处理终端、介质，构建包含深度特征提取器、领域分类器和状态预测器的神经网络模型，通过神经网络模型利用深度特征提取器自动提取来自实验室模拟数据和实际工程设备中的旋转部件监测数据的迁移故障特征；利用领域分类器来缩短两种数据分布之间的差别，利用状态预测器并引入领域适配约束，形成基于深度领域自适应对抗网络的故障诊断模型，并利用所述模型实现旋转机械的故障智能诊断。本发明能够准确提取实验室模拟数据和实际工程数据中的迁移故障特征，并形成能够应用于旋转部件的故障迁移诊断模型，通过实际的案例利用，达到了理想的效果。
-
公开(公告)号：CN110751297A
公开(公告)日：2020-02-04
申请号：CN201910850562.8
申请日：2019-09-10
Applicant: 华中科技大学
Abstract: 本发明公开了一种劣化系统的智能保障方法，属于智能制造技术领域。本发明根据劣化系统的维修种类构建各种维修的概率模型，并构建劣化系统可靠性模型；再根据劣化系统中各种维修的概率和开销构建劣化系统的智能保障模型；之后以所述智能保障模型中单位时间期望开销最小为优化目标，对所述智能保障模型进行求解获得劣化系统的保障方案，即多少个维修周期后进行一次大修，每个维修周期对劣化系统进行多少次次监测。本发明方法在综合考虑劣化系统全生命周期的维修开销、监测开销、质量损失开销、检查开销等因素情况下，建立优化模型，制定最优的保障方案，保证系统可靠性的前提下，降低保障开销，提升生产效率。
-
公开(公告)号：CN109597315A
公开(公告)日：2019-04-09
申请号：CN201811281339.8
申请日：2018-10-31
Applicant: 华中科技大学
IPC: G05B17/02
Abstract: 本发明公开了一种机械设备健康退化状态辨识方法、设备及系统，属于机械状态监测和健康退化状态辨识领域。该方法先获取机械设备的多种监测信号，提取其时域特征、功率谱特征及本征模态能量特征，然后利用GSOM网络对上述特征进行融合，得到其融合特征，再构建GenSVM模型，利用上述融合特征数据对GenSVM模型进行训练，获得测试模型，最后实时采集待测机械设备的多种监测信号，获取上述信号的将融合特征数据输入到测试模型中，得到健康退化状态辨识结果。本发明的上述方法以及基于上述方法的设备和系统能够对机械设备的健康退化状态进行实时精确辨识，实现机械设备的状态实时监测，保障数控机床的安全、稳定、长周期运行。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.022 seconds)
