-
公开(公告)号：CN116304868A
公开(公告)日：2023-06-23
申请号：CN202310203930.6
申请日：2023-03-06
Applicant: 华北电力大学(保定)
IPC: G06F18/241 , G06F18/21 , G06F18/214 , G06F18/15 , G06N3/0464 , G06N3/082 , G01M13/04
Abstract: 本发明公开了一种基于MFCNN模型的滚动轴承多故障诊断模型及方法，包括基于CNN模型改进的MFCNN模型，所述MFCNN模型包括依次设置的信号输入层、第一卷积层、第一批量归一化层、第一平均池化层、第二卷积层、第二批量归一化层、第二平均池化层、第三卷积层、第三批量归一化层、第三平均池化层、全局平均池化层和输出层。本发明采用上述基于MFCNN模型的滚动轴承多故障诊断模型及方法，通过对传统神经网络(CNN)的改进，能够大幅度提高轴承多故障分类时诊断结果的准确率。
-
公开(公告)号：CN116223955A
公开(公告)日：2023-06-06
申请号：CN202310227896.6
申请日：2023-03-10
Applicant: 华北电力大学(保定)
IPC: G01R31/00 , G06F18/214 , G06F18/2411 , G01R31/62 , G01H17/00
Abstract: 本发明公开了一种基于HPO‑SVM的电力变压器典型故障声纹诊断方法，包括以下步骤：S1，采集声纹数据输入分析计算机中；S2，对采集到的声纹信号进行CEEMDAN分解，然后进行包络谱峭度计算并筛选；S3，利用HPO算法对SVM中核函数的惩罚因子C与核函数参数g进行参数寻优，将最优位置的C与g值赋给SVM；S4，输入故障数据训练集到SVM中构建故障模型；S5，输入故障测试集检验HPO‑SVM算法对电力变压器声纹信号的诊断与分类能力。本发明采用上述一种基于HPO‑SVM的电力变压器典型故障声纹诊断方法，能够解决在处理存在故障特征重合的电力变压器声纹信号中存在分类结果混叠、收敛速度慢与分类效果差的问题。
-
公开(公告)号：CN116223040A
公开(公告)日：2023-06-06
申请号：CN202310209121.6
申请日：2023-03-07
Applicant: 华北电力大学(保定)
IPC: G01M13/045 , B65G43/02 , B65G15/00 , G06F17/15 , G06F18/213 , G06F18/10 , G06F18/00
Abstract: 本发明公开了一种托辊故障声学信号特征提取及定位方法，包括以下步骤：S1、对麦克风阵列阵元参数化仿真及选型；S2、利用麦克风阵列对托辊轴承故障音频信息进行采集和预处理；S3、对各通道信号进行VMD分解，提取声学信号中的故障特征信息，实现不同信源分离，从而抑制传递路径的噪声干扰；S4、选取包含托辊轴承故障循环冲击特征的最优子带；S5、利用C‑Beamforming算法对VMD最优子带信号进行旁瓣抑制，进行声源成像及声源定位，以实现高分辨率声源定位。本发明采用上述托辊故障声学信号特征提取及定位方法，能够有效抑制干扰声源及传递路径耦合噪声影响，实现托辊轴承故障声源的特征提取及高分辨率定位。
-
Patent Agency Ranking
公开(公告)号：CN116222997A
公开(公告)日：2023-06-06
申请号：CN202310209119.9
申请日：2023-03-07
Applicant: 华北电力大学(保定)
IPC: G01M13/00 , G01H17/00 , G10L25/48 , G10L25/30 , G10L21/0216 , G06F18/241 , G06N3/08 , G06F17/16 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了基于波束形成及时空网络的托辊故障声源距离估计方法，包括以下步骤：BCL模型构建及验证‑利用麦克风阵列采集不同距离的托辊故障声源数据，经波束形成定位处理构建数据样本集‑通过CNN层获得数据采样集的空间特性，再借助LSTM层在序列上的建模功能，将由空间数据所组成的序列信息注入LSTM网络，获得空间时序信息‑将空间时序信息注入Softmax分类器，通过对不同的故障距离特征进行分类，将分类结果作为BCL模型的输出。本发明采用上述基于波束形成及时空网络的托辊故障声源距离估计方法，减少了人工提取故障特征以及检测故障位置等步骤，能够在复杂环境下实现故障距离估计且保持较高准确率。
-
公开(公告)号：CN116223955B
公开(公告)日：2024-10-08
申请号：CN202310227896.6
申请日：2023-03-10
Applicant: 华北电力大学(保定)
IPC: G01R31/00 , G06F18/214 , G06F18/2411 , G01R31/62 , G01H17/00
Abstract: 本发明公开了一种基于HPO‑SVM的电力变压器典型故障声纹诊断方法，包括以下步骤：S1，采集声纹数据输入分析计算机中；S2，对采集到的声纹信号进行CEEMDAN分解，然后进行包络谱峭度计算并筛选；S3，利用HPO算法对SVM中核函数的惩罚因子C与核函数参数g进行参数寻优，将最优位置的C与g值赋给SVM；S4，输入故障数据训练集到SVM中构建故障模型；S5，输入故障测试集检验HPO‑SVM算法对电力变压器声纹信号的诊断与分类能力。本发明采用上述一种基于HPO‑SVM的电力变压器典型故障声纹诊断方法，能够解决在处理存在故障特征重合的电力变压器声纹信号中存在分类结果混叠、收敛速度慢与分类效果差的问题。
-
公开(公告)号：CN116223040B
公开(公告)日：2024-06-21
申请号：CN202310209121.6
申请日：2023-03-07
Applicant: 华北电力大学(保定)
IPC: G01M13/045 , B65G43/02 , B65G15/00 , G06F17/15 , G06F18/213 , G06F18/10 , G06F18/00
Abstract: 本发明公开了一种托辊故障声学信号特征提取及定位方法，包括以下步骤：S1、对麦克风阵列阵元参数化仿真及选型；S2、利用麦克风阵列对托辊轴承故障音频信息进行采集和预处理；S3、对各通道信号进行VMD分解，提取声学信号中的故障特征信息，实现不同信源分离，从而抑制传递路径的噪声干扰；S4、选取包含托辊轴承故障循环冲击特征的最优子带；S5、利用C‑Beamforming算法对VMD最优子带信号进行旁瓣抑制，进行声源成像及声源定位，以实现高分辨率声源定位。本发明采用上述托辊故障声学信号特征提取及定位方法，能够有效抑制干扰声源及传递路径耦合噪声影响，实现托辊轴承故障声源的特征提取及高分辨率定位。
-
公开(公告)号：CN116186590A
公开(公告)日：2023-05-30
申请号：CN202310203934.4
申请日：2023-03-06
Applicant: 华北电力大学(保定)
IPC: G06F18/24 , G01M13/045 , G06F18/10 , G06F18/2131 , G06F18/2135 , G06F18/241 , G06F18/25 , G06N3/08
Abstract: 本发明公开了基于数据层特征融合和卷积神经网络的轴承故障诊断方法，包括以下步骤：S1、将采集到的原始信号进行VMD分解，选择峭度值大于阈值的分量进行分量筛选并重构信号，用于摒弃干扰信息，最大限度保留故障特征；S2、至少考虑时域、频域、能量和稳定性，计算构建重构信号的多维度复合特征矩阵，将数据特征进行融合；S3、利用核主成分分析方法对多维度复合特征矩阵进行降维，简化矩阵，去除冗余信息；S4、将得到的低维矩阵输入到批量标准层优化的CNN模型中进行故障识别与分类。本发明采用上述基于数据层特征融合和卷积神经网络的轴承故障诊断方法，分类效果和诊断准确率更高。
-
公开(公告)号：CN116222997B
公开(公告)日：2024-04-05
申请号：CN202310209119.9
申请日：2023-03-07
Applicant: 华北电力大学(保定)
IPC: G01M13/00 , G01H17/00 , G10L25/48 , G10L25/30 , G10L21/0216 , G06F18/241 , G06N3/08 , G06F17/16 , G06N3/0464 , G06N3/0442
Abstract: 本发明公开了基于波束形成及时空网络的托辊故障声源距离估计方法，包括以下步骤：BCL模型构建及验证‑利用麦克风阵列采集不同距离的托辊故障声源数据，经波束形成定位处理构建数据样本集‑通过CNN层获得数据采样集的空间特性，再借助LSTM层在序列上的建模功能，将由空间数据所组成的序列信息注入LSTM网络，获得空间时序信息‑将空间时序信息注入Softmax分类器，通过对不同的故障距离特征进行分类，将分类结果作为BCL模型的输出。本发明采用上述基于波束形成及时空网络的托辊故障声源距离估计方法，减少了人工提取故障特征以及检测故障位置等步骤，能够在复杂环境下实现故障距离估计且保持较高准确率。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.028 seconds)
