-
Patent Agency Ranking
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：CN116401950B
公开(公告)日：2024-03-01
申请号：CN202310379921.2
申请日：2023-04-11
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06F18/213 , G06F18/214 , G06F17/16 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06F119/02
Abstract: 本发明公开了一种基于时间图卷积神经网络的滚动轴承性能衰退预测方法，所述方法针对满足对所监测的滚动轴承性能变化趋势的需求问题，获取滚动轴承的原始振动信号数据，对原始振动信号进行特征提取，得到时域特征指标、频域特征指标和多尺度离散熵特征指标。将上述特征指标采用多个评估标准进行综合加权评价，得到评价结果最优的一项或一类特征指标。通过固定窗均值化处理将综合评价结果最优的一项特征指标曲线分解为趋势曲线和残差曲线，实现对滚动轴承性能衰退阶段划分。将评价结果最优的一类特征指标输入T‑GCN模型中，得到滚动轴承性能衰退趋势。本发明通过实验验证该预测方法对实现滚动轴承性能衰退预测具有更高的精度和泛化能力。
-
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。
-
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：CN116401950A
公开(公告)日：2023-07-07
申请号：CN202310379921.2
申请日：2023-04-11
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06F18/213 , G06F18/214 , G06F17/16 , G06N3/0464 , G06N3/0442 , G06N3/08 , G06F119/02
Abstract: 本发明公开了一种基于时间图卷积神经网络的滚动轴承性能衰退预测方法，所述方法针对满足对所监测的滚动轴承性能变化趋势的需求问题，获取滚动轴承的原始振动信号数据，对原始振动信号进行特征提取，得到时域特征指标、频域特征指标和多尺度离散熵特征指标。将上述特征指标采用多个评估标准进行综合加权评价，得到评价结果最优的一项或一类特征指标。通过固定窗均值化处理将综合评价结果最优的一项特征指标曲线分解为趋势曲线和残差曲线，实现对滚动轴承性能衰退阶段划分。将评价结果最优的一类特征指标输入T‑GCN模型中，得到滚动轴承性能衰退趋势。本发明通过实验验证该预测方法对实现滚动轴承性能衰退预测具有更高的精度和泛化能力。
-
-
-
-
Search Results
5
records
(took 0.016 seconds)
