-
公开(公告)号：CN114993669B
公开(公告)日：2023-04-18
申请号：CN202210413175.X
申请日：2022-04-20
Applicant: 燕山大学
IPC: G01M13/028 , G01R19/00 , G01R31/34 , G06F18/10 , G06F18/213 , G06F18/24 , G06F18/25 , G06N3/0464
Abstract: 本发明提供多传感器信息融合的传动系统故障诊断方法及系统，属于传动系统故障诊断技术领域，包括获取分布在传动系统中传感器采集到的振动信号、电机定子电流信号以及声音信号，进行稀疏共振分解；获得的预处理数据以并行的方式输入到各自的卷积神经网络中学习特征，提取不同种类信号中的故障特征；所获得的特征数据以并行方式输入到多任务学习模块中进行处理；其中，多任务学习模块包括有监督的分类任务和一个特征度量学习任务，从而实现故障分类。获得的故障分类和声阵列传感器相结合，对声音异常部位的定位进行分析，最终实现故障的准确判断，可作为故障诊断的有效验证，进一步提高故障诊断准确性。
-
公开(公告)号：CN113656915B
公开(公告)日：2023-08-25
申请号：CN202110955129.8
申请日：2021-08-19
Applicant: 燕山大学
IPC: G06F30/17 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度注意力网络的轴承剩余寿命预测方法，属于轴承剩余寿命预测技术领域，包括以下步骤：设计并利用小波多尺度频带注意力模块，从原始信号中抽取时频信息，自动对轴承退化敏感频带进行筛选；通过混合膨胀卷积捕获不同频带间的空间特征和单一频带的时序特征；进一步构建特征注意力模块自动选择对轴承寿命预测贡献大的时空特征序列；利用回归层对轴承的剩余寿命进行预测。本发明通过小波多尺度频带注意力模块和混合膨胀卷积注意力网络结合，从包含大量噪声和干扰的原始数据中抽取时频信息并自动学习和选择时空特征，能够提高预测精度和模型鲁棒性，为轴承剩余寿命预测领域提供了新的途径。
-
Patent Agency Ranking
公开(公告)号：CN113255209B
公开(公告)日：2022-06-07
申请号：CN202110461409.3
申请日：2021-04-27
Applicant: 燕山大学
IPC: G06F30/27 , G01M13/045 , G06N3/04 , G06N3/08 , G06F119/04
Abstract: 本发明公开了一种齿轮箱轴承剩余寿命的预测方法，利用加速度传感器采集齿轮箱轴承的多通道振动信号，通过电流钳从发电机输出端获取多通道定子电流信号，得到原始的多通道振动信号和多通道定子电流信号，并进行数据预处理；设计卷积网络空间特征提取模块，分别提取振动信号和电流信号的空间特征，并在通道维度上进行拼接；设计动态加权融合层，融合振动信号和电流信号的空间特征；再通过双向长短时记忆网络从融合后的时序特征向量序列中提取时序特征，最后通过回归层对轴承的剩余寿命进行预测。本发明能够自适应学习并动态融合振动和电流之间时空关联特征信息，提高了退化特征提取能力和寿命预测精度。
-
公开(公告)号：CN113255209A
公开(公告)日：2021-08-13
申请号：CN202110461409.3
申请日：2021-04-27
Applicant: 燕山大学
IPC: G06F30/27 , G01M13/045 , G06N3/04 , G06N3/08 , G06F119/04
Abstract: 本发明公开了一种齿轮箱轴承剩余寿命的预测方法，利用加速度传感器采集齿轮箱轴承的多通道振动信号，通过电流钳从发电机输出端获取多通道定子电流信号，得到原始的多通道振动信号和多通道定子电流信号，并进行数据预处理；设计卷积网络空间特征提取模块，分别提取振动信号和电流信号的空间特征，并在通道维度上进行拼接；设计动态加权融合层，融合振动信号和电流信号的空间特征；再通过双向长短时记忆网络从融合后的时序特征向量序列中提取时序特征，最后通过回归层对轴承的剩余寿命进行预测。本发明能够自适应学习并动态融合振动和电流之间时空关联特征信息，提高了退化特征提取能力和寿命预测精度。
-
公开(公告)号：CN115270859A
公开(公告)日：2022-11-01
申请号：CN202210799982.X
申请日：2022-07-06
Applicant: 燕山大学
IPC: G06K9/00 , G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于多级典型相关分析网络的轴承寿命预测方法，首先获取轴承振动x方向和y方向传感器采集的双通道振动信号数据，并进行数据预处理；利用多频带特征注意力模块得到双通道多频带信息，并对双通道多频带信息进行第一级约束，得到双通道协同多频带信息，然后将其分别输入到空洞卷积空间特征提取模块中，提取空间特征；并对提取后得到的双通道空间特征序列进行第二级约束，得到双通道协同空间特征序列；再将其分别输入到卷积时序特征提取模块中，提取时序特征；并对提取后得到的双通道时空特征序列进行第三级约束，得到双通道协同时空特征序列；最后构建寿命预测回归层，将双通道协同时空特征序列输入到回归层中，预测轴承剩余寿命。
-
公开(公告)号：CN114993669A
公开(公告)日：2022-09-02
申请号：CN202210413175.X
申请日：2022-04-20
Applicant: 燕山大学
IPC: G01M13/028 , G01R19/00 , G01R31/34 , G06K9/62 , G06N3/04
Abstract: 本发明提供多传感器信息融合的传动系统故障诊断方法及系统，属于传动系统故障诊断技术领域，包括获取分布在传动系统中传感器采集到的振动信号、电机定子电流信号以及声音信号，进行稀疏共振分解；获得的预处理数据以并行的方式输入到各自的卷积神经网络中学习特征，提取不同种类信号中的故障特征；所获得的特征数据以并行方式输入到多任务学习模块中进行处理；其中，多任务学习模块包括有监督的分类任务和一个特征度量学习任务，从而实现故障分类。获得的故障分类和声阵列传感器相结合，对声音异常部位的定位进行分析，最终实现故障的准确判断，可作为故障诊断的有效验证，进一步提高故障诊断准确性。
-
公开(公告)号：CN113656915A
公开(公告)日：2021-11-16
申请号：CN202110955129.8
申请日：2021-08-19
Applicant: 燕山大学
Abstract: 本发明公开了一种基于深度注意力网络的轴承剩余寿命预测方法，属于轴承剩余寿命预测技术领域，包括以下步骤：设计并利用小波多尺度频带注意力模块，从原始信号中抽取时频信息，自动对轴承退化敏感频带进行筛选；通过混合膨胀卷积捕获不同频带间的空间特征和单一频带的时序特征；进一步构建特征注意力模块自动选择对轴承寿命预测贡献大的时空特征序列；利用回归层对轴承的剩余寿命进行预测。本发明通过小波多尺度频带注意力模块和混合膨胀卷积注意力网络结合，从包含大量噪声和干扰的原始数据中抽取时频信息并自动学习和选择时空特征，能够提高预测精度和模型鲁棒性，为轴承剩余寿命预测领域提供了新的途径。
-
-
-
-
-
-
Search Results
7
records
(took 0.033 seconds)
