-
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。
-
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：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：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。
-
-
-
Search Results
4
records
(took 0.015 seconds)
