-
公开(公告)号：CN118916696B
公开(公告)日：2025-02-07
申请号：CN202410998930.4
申请日：2024-07-24
Applicant: 安徽大学
IPC: G06F18/214 , G06F18/2431 , G06N3/0464 , G06N3/0895 , G06N3/094 , G06N3/096 , G01M13/00 , G01M13/045
Abstract: 本发明公开了基于DACODL框架的旋转机械跨域故障诊断方法，包括：根据所述不同工况下的振动数据，构建源域数据集和目标域数据集；根据目标域数据集进行数据增强得到目标域数据集的增强数据集；构建诊断模型，并通过源域数据集、目标域数据及增强数据集和跨域mixup生成虚拟数据集对诊断模型进行训练；基于上述数据集利用置信的阶次级跨域mixup损失、动态标签分布感知正则化的交叉熵损失、联合分布多层适配损失以及域对抗损失对诊断模型进行迭代训练；得到最终诊断模型，对最终诊断模型进行测试，通过测试后的最终诊断模型被用于对目标工况下旋转机械的振动数据，得到旋转机械跨域故障诊断结果。
-
Patent Agency Ranking
公开(公告)号：CN118094343B
公开(公告)日：2024-07-16
申请号：CN202410491106.X
申请日：2024-04-23
Applicant: 安徽大学
IPC: G06F18/241 , G06N3/0442 , G06F18/214 , G06F18/213
Abstract: 本发明公开了一种基于注意力机制的LSTM机器剩余使用寿命预测方法，属于机械设备故障预测技术领域，包括：利用传感器采集设备从开始运行到最后失效的全寿命数据作为训练集，采集设备实时运行数据作为测试集，然后对训练集和测试集数据进行预处理；构建端到端的深度学习剩余寿命预测模型；将训练集数据输入到深度学习预测模型中对深度学习预测模型进行训练，通过评价函数来验证有效性，得到训练好的深度学习预测模型；将测试集数据输入到训练好的深度学习预测模型中，得到实时运行设备的剩余使用寿命，通过评价函数确定模型效果。本发明采用上述的一种基于注意力机制的LSTM机器剩余使用寿命预测方法，可以实现设备剩余使用寿命预测。
-
公开(公告)号：CN117928951A
公开(公告)日：2024-04-26
申请号：CN202410327221.3
申请日：2024-03-21
Applicant: 安徽大学
IPC: G01M13/045 , G06F18/241 , G06F18/10 , G06F18/213
Abstract: 本发明公开了基于改进经验小波变换和包络谱能量比的故障诊断方法，属于轴承故障诊断技术领域，包括：采集轴承振动信号后通过傅里叶变换获得其频谱；将频谱与高斯核函数卷积得到尺度谱，通过局部极小值点确定频谱的初始划分边界；针对过分解和欠分解问题利用尺度谱峭度对初始划分边界重调后得到最终划分边界；构建小波滤波器组对原始信号分解得到模态分量；计算各模态分量的包络谱能量比，根据敏感分量选取原则对包络谱能量比最大的分量进行稀疏编码收缩降噪处理增强故障特征；对降噪后的信号进行包络分析，提取到故障特征频率并判别其故障类型。本发明采用上述基于改进经验小波变换和包络谱能量比的故障诊断方法，可提高滚动轴承故障的诊断精度。
-
公开(公告)号：CN117928951B
公开(公告)日：2024-06-11
申请号：CN202410327221.3
申请日：2024-03-21
Applicant: 安徽大学
IPC: G01M13/045 , G06F18/241 , G06F18/10 , G06F18/213
Abstract: 本发明公开了基于改进经验小波变换和包络谱能量比的故障诊断方法，属于轴承故障诊断技术领域，包括：采集轴承振动信号后通过傅里叶变换获得其频谱；将频谱与高斯核函数卷积得到尺度谱，通过局部极小值点确定频谱的初始划分边界；针对过分解和欠分解问题利用尺度谱峭度对初始划分边界重调后得到最终划分边界；构建小波滤波器组对原始信号分解得到模态分量；计算各模态分量的包络谱能量比，根据敏感分量选取原则对包络谱能量比最大的分量进行稀疏编码收缩降噪处理增强故障特征；对降噪后的信号进行包络分析，提取到故障特征频率并判别其故障类型。本发明采用上述基于改进经验小波变换和包络谱能量比的故障诊断方法，可提高滚动轴承故障的诊断精度。
-
公开(公告)号：CN118916696A
公开(公告)日：2024-11-08
申请号：CN202410998930.4
申请日：2024-07-24
Applicant: 安徽大学
IPC: G06F18/214 , G06F18/2431 , G06N3/0464 , G06N3/0895 , G06N3/094 , G06N3/096 , G01M13/00 , G01M13/045
Abstract: 本发明公开了基于DACODL框架的旋转机械跨域故障诊断方法，包括：根据所述不同工况下的振动数据，构建源域数据集和目标域数据集；根据目标域数据集进行数据增强得到目标域数据集的增强数据集；构建诊断模型，并通过源域数据集、目标域数据及增强数据集和跨域mixup生成虚拟数据集对诊断模型进行训练；基于上述数据集利用置信的阶次级跨域mixup损失、动态标签分布感知正则化的交叉熵损失、联合分布多层适配损失以及域对抗损失对诊断模型进行迭代训练；得到最终诊断模型，对最终诊断模型进行测试，通过测试后的最终诊断模型被用于对目标工况下旋转机械的振动数据，得到旋转机械跨域故障诊断结果。
-
公开(公告)号：CN118094343A
公开(公告)日：2024-05-28
申请号：CN202410491106.X
申请日：2024-04-23
Applicant: 安徽大学
IPC: G06F18/241 , G06N3/0442 , G06F18/214 , G06F18/213
Abstract: 本发明公开了一种基于注意力机制的LSTM机器剩余使用寿命预测方法，属于机械设备故障预测技术领域，包括：利用传感器采集设备从开始运行到最后失效的全寿命数据作为训练集，采集设备实时运行数据作为测试集，然后对训练集和测试集数据进行预处理；构建端到端的深度学习剩余寿命预测模型；将训练集数据输入到深度学习预测模型中对深度学习预测模型进行训练，通过评价函数来验证有效性，得到训练好的深度学习预测模型；将测试集数据输入到训练好的深度学习预测模型中，得到实时运行设备的剩余使用寿命，通过评价函数确定模型效果。本发明采用上述的一种基于注意力机制的LSTM机器剩余使用寿命预测方法，可以实现设备剩余使用寿命预测。
-
-
-
-
-
Search Results
6
records
(took 0.015 seconds)
