-
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：CN114993680A
公开(公告)日：2022-09-02
申请号：CN202210608226.4
申请日：2022-05-31
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种滚动轴承剩余寿命预测方法，涉及滚动轴承寿命预测领域。本发明针对现有的轴承剩余预测方法存在预测精度低的问题。本发明将所述降噪后的信号进行分解重构为短时序列矩阵，通过多尺度融合排列熵方法提取特征；将提取的特征数据输入神经网络中，得到滚动轴承预测的剩余寿命趋势。能够反映出更多轴承剩余寿命随时间变化的趋势，具有良好的剩余寿命预测精度。
-
公开(公告)号：CN114993680B
公开(公告)日：2024-11-26
申请号：CN202210608226.4
申请日：2022-05-31
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/10 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种滚动轴承剩余寿命预测方法，涉及滚动轴承寿命预测领域。本发明针对现有的轴承剩余预测方法存在预测精度低的问题。本发明将所述降噪后的信号进行分解重构为短时序列矩阵，通过多尺度融合排列熵方法提取特征；将提取的特征数据输入神经网络中，得到滚动轴承预测的剩余寿命趋势。能够反映出更多轴承剩余寿命随时间变化的趋势，具有良好的剩余寿命预测精度。
-
Patent Agency Ranking
公开(公告)号：CN118171147A
公开(公告)日：2024-06-11
申请号：CN202410359004.2
申请日：2024-03-27
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/096 , G06N3/084
Abstract: 本发明公开了一种孪生多尺度残差网络的滚动轴承小样本故障诊断方法，所述方法针对满足对所检测的滚动轴承小样本故障诊断的需求问题，通过多尺度残差网络对原始振动信号进行特征提取，从不同工况下稀缺的数据提取源域和目标域的深度特征。使用孪生结构度量源域和目标域深度特征间的相似性，以此构建了SMRN模型，计算样本对之间的欧氏距离。分析卷积层数和训练批次对小样本故障诊断的影响，确定模型参数。将试验台数据集输入SMRN模型中，得到滚动轴承故障诊断准确率。所提出的方法能够保留多尺度带来的优势，从而在轴承故障诊断时提供更高的诊断精度。本发明通过实验验证该诊断方法对实现滚动轴承小样本故障诊断具有更高的精度和泛化能力。
-
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。
-
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：CN118171147B
公开(公告)日：2024-10-01
申请号：CN202410359004.2
申请日：2024-03-27
Applicant: 哈尔滨理工大学
IPC: G06F18/24 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/096 , G06N3/084
Abstract: 本发明公开了一种孪生多尺度残差网络的滚动轴承小样本故障诊断方法，所述方法针对满足对所检测的滚动轴承小样本故障诊断的需求问题，通过多尺度残差网络对原始振动信号进行特征提取，从不同工况下稀缺的数据提取源域和目标域的深度特征。使用孪生结构度量源域和目标域深度特征间的相似性，以此构建了SMRN模型，计算样本对之间的欧氏距离。分析卷积层数和训练批次对小样本故障诊断的影响，确定模型参数。将试验台数据集输入SMRN模型中，得到滚动轴承故障诊断准确率。所提出的方法能够保留多尺度带来的优势，从而在轴承故障诊断时提供更高的诊断精度。本发明通过实验验证该诊断方法对实现滚动轴承小样本故障诊断具有更高的精度和泛化能力。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.023 seconds)
