-
公开(公告)号：CN118171146B
公开(公告)日：2024-10-01
申请号：CN202410359002.3
申请日：2024-03-27
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/084 , G06F17/18
Abstract: 本发明公开了一种基于FSASCA‑VMD与GraphSAGE‑SA的转子‑轴承故障诊断方法，所述方法包括如下步骤：步骤一、通过FSASCA算法对VMD进行初始化设置，利用种群寻优方法逐步迭代找到全局最优解，确定关键参数的选取，以此使VMD完成分解。对于分解后存在的不需要的IMF分量，采用累计峭度占比的方法对IMF分量进行重构，完成信号降噪。步骤二、针对于图卷网络在处理图数据上不足，提出了GraphSAGE算法，随机采样k个邻居节点的信息，在不输出整张图的情况下，通过训练聚合函数，来学习节点的表示方法，对未知节点起到泛化作用。同时结合自注意力的聚合方式对输入序列进行线性变化，得到对应的输出矩阵，然后使用Softmax对其进行归一化来获得注意力权重。
-
Patent Agency Ranking
公开(公告)号：CN118171146A
公开(公告)日：2024-06-11
申请号：CN202410359002.3
申请日：2024-03-27
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/10 , G06F18/214 , G06N3/0464 , G06N3/084 , G06F17/18
Abstract: 本发明公开了一种基于FSASCA‑VMD与GraphSAGE‑SA的转子‑轴承故障诊断方法，所述方法包括如下步骤：步骤一、通过FSASCA算法对VMD进行初始化设置，利用种群寻优方法逐步迭代找到全局最优解，确定关键参数的选取，以此使VMD完成分解。对于分解后存在的不需要的IMF分量，采用累计峭度占比的方法对IMF分量进行重构，完成信号降噪。步骤二、针对于图卷网络在处理图数据上不足，提出了GraphSAGE算法，随机采样k个邻居节点的信息，在不输出整张图的情况下，通过训练聚合函数，来学习节点的表示方法，对未知节点起到泛化作用。同时结合自注意力的聚合方式对输入序列进行线性变化，得到对应的输出矩阵，然后使用Softmax对其进行归一化来获得注意力权重。
-
公开(公告)号：CN115017955A
公开(公告)日：2022-09-06
申请号：CN202210703794.2
申请日：2022-06-21
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了基于半监督图卷积的行星齿轮箱故障诊断方法，本发明涉及旋转机械故障诊断方法领域，本发明为了解决现有的旋转机械故障诊断方法的准确率低的问题。本发明利用自编码器降噪网络对所述原始数据进行降噪处理；对降噪后的数据进行特征提取，得到特征矩阵，对所述特征矩阵进行降维处理；求取所述降维处理后的特征矩阵中各数据之间的无向图，将所述降维后矩阵和数据之间无向图输入半监督图卷积神经网络故障诊断模型中，得到诊断结果。本发明能够对行星齿轮箱故障进行准确诊断。
-
公开(公告)号：CN115017955B
公开(公告)日：2025-04-01
申请号：CN202210703794.2
申请日：2022-06-21
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/10 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 本发明公开了基于半监督图卷积的行星齿轮箱故障诊断方法，本发明涉及旋转机械故障诊断方法领域，本发明为了解决现有的旋转机械故障诊断方法的准确率低的问题。本发明利用自编码器降噪网络对所述原始数据进行降噪处理；对降噪后的数据进行特征提取，得到特征矩阵，对所述特征矩阵进行降维处理；求取所述降维处理后的特征矩阵中各数据之间的无向图，将所述降维后矩阵和数据之间无向图输入半监督图卷积神经网络故障诊断模型中，得到诊断结果。本发明能够对行星齿轮箱故障进行准确诊断。
-
公开(公告)号：CN116662848A
公开(公告)日：2023-08-29
申请号：CN202310379908.7
申请日：2023-04-11
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/214 , G06N3/084 , G06N3/0464 , G06F18/10 , G06F18/22
Abstract: 本发明公开了一种基于WOA‑VMD与GAT的滚动轴承故障诊断方法，所述方法包括如下步骤：步骤一、通过WOA优化算法对VMD分解的参数模态个数k和惩罚参数α进行自适应确定，从而对原始信号进行VMD分解，再对分解后的信号采用Pearson相关性分析筛选出其中相关性大的IMF分量，以对信号进行重构，完成信号降噪；步骤二、将Attention与图卷积运算进行结合，构建图注意力神经网络滚动轴承故障诊断模型，对价值信息分配更多的比重，用以优化构建图的信息收集阶段，提高模型故障诊断准确率。通过实验验证表明，相比与MLP、Attention模型和GCN模型，其收敛速度更快，诊断精度更高，且损失值较低。
-
公开(公告)号：CN116223043A
公开(公告)日：2023-06-06
申请号：CN202310321868.0
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/10 , G06F18/213 , G06N3/006
Abstract: 基于VMD和级联随机共振联合的滚动轴承微弱信号检测方法，属于旋转机械故障诊断技术领域。通过获取滚动轴承的原始振动信号数据，经希尔伯特变换获得其S(t)包络谱，使信号通过高通滤波器，滤波后信号输入ACSRS进行增强。然后，采用量子粒子群算法对级联随机共振中的参数进行自适应寻优，对第一级级联随机共振系统的输出进行VMD分解，直至能量损失因子g以及相关性r满足条件，确定特征频率在IMF分量中的位置。最后根据提取到的特征信号，对增强后的信号进行分解与重构，实现多频微弱信号故障检测。本发明通过实验验证了该方法在减少VMD分解次数的基础上提高运算效率，使得重构后的滚动轴承微弱信号复合故障更易识别。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
