-
公开(公告)号：CN107688796A
公开(公告)日：2018-02-13
申请号：CN201710802949.7
申请日：2017-09-07
Applicant: 南京信息工程大学
CPC classification number: G06K9/00523 , G06K9/624
Abstract: 本发明涉及一种基于APLCD-WPT算法的滚动轴承特征提取方法，包括如下步骤：步骤1）采集滚动轴承信号 ；步骤2）初始化添加噪声，构造幅值随频率呈正弦变化的噪声 ，然后，选定添加噪声的参数，总体平均次数m，在原信号中加入m对重构噪声，组成加噪信号；步骤3）对加噪信号首先进行APLCD分解，使用极值符号序列分析方法延拓信号端点，记录每次分解的ISC分量；步骤4）检查特征频率分量是否存在模态混淆，如果依然存在模态混淆现象，再使用WPT进行修正，将特征频率从混淆的内禀尺度分量中提取出来。有益效果为：能够有效解决信号特征提取时产生模态混淆的问题，实现精确提取特征分量。
-
Patent Agency Ranking
公开(公告)号：CN107702922B
公开(公告)日：2020-10-09
申请号：CN201710810504.3
申请日：2017-09-11
Applicant: 南京信息工程大学
IPC: G01M13/045
Abstract: 本发明提出的基于LCD与堆叠自动编码器的滚动轴承故障诊断算法，包括如下步骤：采集滚动轴承的原始振动信号；先用LCD从原始振动信号中筛选出多个ISC分量，将其重构为两个频率段后转成频域信号；然后结合自动编码器提取两个频段信号的初步特征；最后，将两频段信号拼接后输入堆叠自动编码器并通过Softmax分类器进行分类，完成故障诊断。本发明不但能够从海量的数据中自适应的学习故障特征，而且在诊断精度方面优于传统故障诊断算法，可用于大数据环境下的滚动轴承故障诊断。
-
公开(公告)号：CN109932174A
公开(公告)日：2019-06-25
申请号：CN201811629631.4
申请日：2018-12-28
Applicant: 南京信息工程大学
IPC: G01M13/021
Abstract: 本发明的基于多任务深度学习的齿轮箱故障诊断方法，包括如下步骤：步骤1）获取齿轮箱不同转速与负载下齿轮和轴承故障的振动信号，对振动信号预处理求取频域信号；步骤2）构建多任务深度学习网络，并初始化网络模型参数，确定训练超参数；步骤3）将样本输入学习网络，通过前向传播求得网络输入与预期目标的误差，判断是否收敛或满足训练要求，若判断为收敛或满足训练要求则执行步骤5），否则执行步骤4）；步骤4）根据误差，使用反向传播算法更新网络权值，更新完成后使用下一批次的样本，重复执行步骤3）；步骤5）保存网络模型用于故障诊断。有益效果：该方法通过单独的任务层，能够从同一信号中自适应的提取不同目标的特征，并进行诊断。
-
公开(公告)号：CN107702922A
公开(公告)日：2018-02-16
申请号：CN201710810504.3
申请日：2017-09-11
Applicant: 南京信息工程大学
IPC: G01M13/04
CPC classification number: G01M13/045
Abstract: 本发明提出的基于LCD与堆叠自动编码器的滚动轴承故障诊断算法，包括如下步骤：采集滚动轴承的原始振动信号；先用LCD从原始振动信号中筛选出多个ISC分量，将其重构为两个频率段后转成频域信号；然后结合自动编码器提取两个频段信号的初步特征；最后，将两频段信号拼接后输入堆叠自动编码器并通过Softmax分类器进行分类，完成故障诊断。本发明不但能够从海量的数据中自适应的学习故障特征，而且在诊断精度方面优于传统故障诊断算法，可用于大数据环境下的滚动轴承故障诊断。
-
公开(公告)号：CN107957551A
公开(公告)日：2018-04-24
申请号：CN201711321716.1
申请日：2017-12-12
Applicant: 南京信息工程大学
IPC: G01R31/34
CPC classification number: G01R31/343
Abstract: 本发明公开了基于振动和电流信号的堆叠降噪自编码电机故障诊断方法，分为五个步骤：第一步，获取电机不同故障的振动和电流的时域信号，对其预处理，作为网络输入；第二步，确定网络参数；第三步，逐层训练，将上一级自编码器(Auto encoder，AE)的隐藏层作为下一级AE的输入层，从而得到最终的特征编码，用于训练Softmax网络；第四步，微调整个网络，判断是否达到预期的精确度要求，若满足要求网络训练结束，若不满足，则调整网络参数，重复第三步；第五步，网络构建完成。该方法构建多层SDAE网络，将振动频域信号和电流时域信号相结合作为输入，依次训练SDAE网络和分类器，并有监督的对整个网络进行微调，从而实现精确的电机故障诊断。
-
公开(公告)号：CN107421741A
公开(公告)日：2017-12-01
申请号：CN201710747694.9
申请日：2017-08-25
Applicant: 南京信息工程大学
CPC classification number: G01M13/045 , G06K9/00523 , G06N3/0463 , G06N3/084
Abstract: 本发明公开了一种基于卷积神经网络的滚动轴承故障诊断方法。针对滚动轴承特征分量易被淹没、难以提取等问题，结合滚动轴承信号本身和监测数据量大等特点，将CNN引入到滚动轴承故障诊断中。首先通过短时傅立叶变换将电机振动信号转化成时频谱图，以适应CNN网络训练样本格式，构建大量表示不同故障的带标签样本数据，以确保样本的多样性、防止网络过拟合；构建合适层数的CNN网络并初始化参数，将预处理后的样本输入CNN进行前向传播，结合给定标签计算误差，利用误差反向传播算法调整网络权值，经过多次迭代，建立信号和设备之间相互联系的网络，从而实现滚动轴承故障的精确诊断。
-
-
-
-
-
Search Results
6
records
(took 0.029 seconds)
