-
公开(公告)号：CN118364238A
公开(公告)日：2024-07-19
申请号：CN202410423438.4
申请日：2024-04-09
Applicant: 哈尔滨理工大学
IPC: G06F18/20 , G06F18/15 , G06F18/214 , G06F18/21 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/0442 , G06N3/084 , G06F123/02
Abstract: 本发明公开了一种基于CNN‑GRU‑Attention的船舶运动姿态预测方法，其所述方法包括如下步骤：步骤一、对原始船舶运动姿态数据归一化处理，根据预测模型相应维数要求进行数据重构，建立包括输入和理论输出的船舶运动姿态数据集，并将数据集划分为训练集和测试集；步骤二、建立CNN‑GRU‑Attention网络结构，利用训练集对预测模型进行训练。采用Adam优化器对初始化网络模型参数进行更新，从而得到成熟的船舶运动姿态预测模型；步骤三、对步骤二中得到的成熟船舶运动姿态预测模型的输出进行反归一化处理，得到最终的预测结果，并利用相关的评价指标对结果进行度量，综合评估CNN‑GRU‑Attention预测模型的预测性能。通过实验验证表明，本发明的预测方法在船舶运动姿态领域具有更好的性能，预测精度更高。
-
公开(公告)号：CN116358871B
公开(公告)日：2024-01-23
申请号：CN202310321870.8
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/241 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种图卷积网络的滚动轴承微弱信号复合故障诊断方法，所述方法采用多尺度熵的方法，将信号通过滑窗分段为N段，再将每段的时域信号进行精细复合多尺度熵特征提取，应用高斯核函数对不同形式的邻接矩阵定义不同的权值。为了实现图级别的故障诊断，使用具有图池化层和读出层的GCN来获得整个图的表示，获得图表示后，可以在此表示上执行标准机器学习技术。通过实验验证表明，与时域或者频域的节点构建方法相比，精细复合多尺度熵考虑了所有熵值的互相关来评估故障检测中的动态条件，边连接方式使得故障信息只会在相同类型故障节点之间进行传递更新，能够有效识别滚动轴承的复合故障类型，提高故障诊断的效率。
-
Patent Agency Ranking
公开(公告)号：CN114841208B
公开(公告)日：2024-11-01
申请号：CN202210525015.4
申请日：2022-05-14
Applicant: 哈尔滨理工大学
IPC: G06F18/241 , G06F18/10 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/084 , G06F123/02
Abstract: 本发明公开了基于SAE与TCN‑Attention模型的滚动轴承性能衰退预测方法及装置，涉及机械性能衰退预测预测领域。本发明针对满足对所监测的滚动轴承性能变化趋势的需求的问题。本发明获取滚动轴承的原始振动信号数据，经降噪后进行特征提取，得到时域特征衰退指标和频域特征衰退指标；将所述时域特征衰退指标和频域特征衰退指标输入SAE模型中，得到融合后的特征指标；将融合后的特征指标输入TCN‑Attention模型中，得到滚动轴承性能衰退趋势，得到滚动轴承性能衰退趋势；本发明能够实现滚动轴承性能衰退的高精度预测。
-
公开(公告)号：CN116358871A
公开(公告)日：2023-06-30
申请号：CN202310321870.8
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/241 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种图卷积网络的滚动轴承微弱信号复合故障诊断方法，所述方法采用多尺度熵的方法，将信号通过滑窗分段为N段，再将每段的时域信号进行精细复合多尺度熵特征提取，应用高斯核函数对不同形式的邻接矩阵定义不同的权值。为了实现图级别的故障诊断，使用具有图池化层和读出层的GCN来获得整个图的表示，获得图表示后，可以在此表示上执行标准机器学习技术。通过实验验证表明，与时域或者频域的节点构建方法相比，精细复合多尺度熵考虑了所有熵值的互相关来评估故障检测中的动态条件，边连接方式使得故障信息只会在相同类型故障节点之间进行传递更新，能够有效识别滚动轴承的复合故障类型，提高故障诊断的效率。
-
公开(公告)号：CN116399589B
公开(公告)日：2024-01-12
申请号：CN202310321869.5
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/213 , G06F18/214 , G06F18/2411
Abstract: 本发明公开了一种基于RCMWE的滚动轴承微弱信号特征提取方法，其所述方法包括如下步骤：步骤一、将时域特征参数和频域特征参数构成多维原始故障特征集，采用皮尔逊相关系数PS、拉普拉斯得分LS、互信息MI及费舍尔得分FS四类特征评价准则对特征敏感性进行评价，根据特征评价准则筛选出最优敏感特征参数；步骤二、将敏感特征参数作为精细复合多尺度加权熵的权重参数，通过哈达玛积运算进行加权组合，获得精细复合多尺度加权熵。通过实验验证表明，本发明的精细复合多尺度加权熵方法在所有尺度上都具有正确估计信号复杂度的能力，能够产生增强的特征向量，既可以有效地区分正常与异常状态，又能够较好的区分不同故障类型及故障退化程度。
-
公开(公告)号：CN116399589A
公开(公告)日：2023-07-07
申请号：CN202310321869.5
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/213 , G06F18/214 , G06F18/2411
Abstract: 本发明公开了一种基于RCMWE的滚动轴承微弱信号特征提取方法，其所述方法包括如下步骤：步骤一、将时域特征参数和频域特征参数构成多维原始故障特征集，采用皮尔逊相关系数PS、拉普拉斯得分LS、互信息MI及费舍尔得分FS四类特征评价准则对特征敏感性进行评价，根据特征评价准则筛选出最优敏感特征参数；步骤二、将敏感特征参数作为精细复合多尺度加权熵的权重参数，通过哈达玛积运算进行加权组合，获得精细复合多尺度加权熵。通过实验验证表明，本发明的精细复合多尺度加权熵方法在所有尺度上都具有正确估计信号复杂度的能力，能够产生增强的特征向量，既可以有效地区分正常与异常状态，又能够较好的区分不同故障类型及故障退化程度。
-
公开(公告)号：CN114841208A
公开(公告)日：2022-08-02
申请号：CN202210525015.4
申请日：2022-05-14
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了基于SAE与TCN‑Attention模型的滚动轴承性能衰退预测方法及装置，涉及机械性能衰退预测预测领域。本发明针对满足对所监测的滚动轴承性能变化趋势的需求的问题。本发明获取滚动轴承的原始振动信号数据，经降噪后进行特征提取，得到时域特征衰退指标和频域特征衰退指标；将所述时域特征衰退指标和频域特征衰退指标输入SAE模型中，得到融合后的特征指标；将融合后的特征指标输入TCN‑Attention模型中，得到滚动轴承性能衰退趋势，得到滚动轴承性能衰退趋势；本发明能够实现滚动轴承性能衰退的高精度预测。
-
-
-
-
-
-
Search Results
7
records
(took 0.057 seconds)
