-
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。
-
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：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：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。
-
-
-
Search Results
4
records
(took 0.023 seconds)
