-
公开(公告)号：CN113639993A
公开(公告)日：2021-11-12
申请号：CN202110942153.8
申请日：2021-08-17
Applicant: 燕山大学
IPC: G01M13/021 , G01M13/028 , F03D17/00 , G06N3/04 , G06N3/08
Abstract: 本发明涉及风力发电机组故障诊断技术领域，多模态多任务卷积神经网络的齿轮箱故障诊断方法，获取齿轮箱的多传感器数据，对数据进行连续小波变换作为预处理；将预处理得到的小波图像并行输入到多个卷积网络中进行特征学习后，获得的多通道特征输入到动态加权模块中进行加权，构成特征空间矩阵；将所获得的的特征空间矩阵输入到多任务模块中进行处理，主任务为分类任务，将所获得的的特征空间矩阵输入到softmax层进行分类，辅助任务为多模态信号典型相关分析，将得到的结果反馈给主任务，提升主任务的分类精度；本发明有效提取并融合了故障特征，并以相关性分析的方法改善了分类的效果，提高了故障诊断和分类的精度和效果。
-
公开(公告)号：CN110092137B
公开(公告)日：2020-08-18
申请号：CN201910370915.4
申请日：2019-05-06
Applicant: 燕山大学
Abstract: 本发明公开了一种皮带机跑偏检测系统，属于皮带机系统异常检测领域。本发明包括跑偏位置的获取、跑偏位置的图像获取、跑偏位置图像的分析与处理；其中跑偏位置的获取使用麦克风阵列拾取皮带机系统声音信号，进行预处理步骤后获取稳定的电信号，然后通过鉴频器对异常声音进行鉴频识别，并通过基于时延差的麦克风阵列声源定位算法检测出现异常频率声音的位置。本发明通过皮带跑偏时在跑偏位置发生异常声响，来进行精确定位，提高了识别准确率高，识别速度。
-
公开(公告)号：CN110092137A
公开(公告)日：2019-08-06
申请号：CN201910370915.4
申请日：2019-05-06
Applicant: 燕山大学
Abstract: 本发明公开了一种皮带机跑偏检测系统，属于皮带机系统异常检测领域。本发明包括跑偏位置的获取、跑偏位置的图像获取、跑偏位置图像的分析与处理；其中跑偏位置的获取使用麦克风阵列拾取皮带机系统声音信号，进行预处理步骤后获取稳定的电信号，然后通过鉴频器对异常声音进行鉴频识别，并通过基于时延差的麦克风阵列声源定位算法检测出现异常频率声音的位置。本发明通过皮带跑偏时在跑偏位置发生异常声响，来进行精确定位，提高了识别准确率高，识别速度。
-
公开(公告)号：CN115750226A
公开(公告)日：2023-03-07
申请号：CN202211326195.X
申请日：2022-10-27
Applicant: 燕山大学
IPC: F03D17/00
Abstract: 本发明提出一种基于局部‑全局分层特征建模的风电机组故障诊断方法，属于风力发电机组故障诊断技术领域，根据风电机组结构特点，从局部和全局两阶段建模思想出发，分别建立风电机组子系统局部特征提取模块和整体全局特征融合模块，局部特征提取模块挖掘不同子系统相关变量特征，进而将子系统特征融合提取整机特征以挖掘子系统间互补特征。本发明方法同时关注风电机组子系统内的关联性和子系统间的互补性特征，能提取更为丰富的故障特征。与传统的单子系统及整机特征提取模型相比，本发明能从子系统出发建立模型，再融合子系统特征建立模型，降低了整机建模的难度并解决了子系统建模的局部性，提高了风电机组子系统及整体故障诊断的精度和可靠性。
-
公开(公告)号：CN113255210A
公开(公告)日：2021-08-13
申请号：CN202110520120.4
申请日：2021-05-13
Applicant: 燕山大学
IPC: G06F30/27 , G06K9/62 , G06N3/08 , G06F113/06
Abstract: 本发明公开一种风电机组联邦故障诊断方法及系统，先基于风电场内相同类型风电机组构建风电机组的训练集和测试集；然后基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型；最后将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断，获得风电机组故障诊断结果。本发明基于联邦学习框架实现多台风电机组数据共享，通过“数据不动模型动”的方式，在数据不出本地的情况下，将各台风电机组联合起来进行联邦训练，在有效的保护不同风电机组制造商数据隐私的同时，丰富了故障类型并解决了风电机组间存在的数据孤岛问题，在风电机组故障诊断领域中具有广阔的前景。
-
Patent Agency Ranking
公开(公告)号：CN106073702A
公开(公告)日：2016-11-09
申请号：CN201610362111.6
申请日：2016-05-27
Applicant: 燕山大学
IPC: A61B5/00 , A61B5/0476 , A61B5/0488
CPC classification number: A61B5/7203 , A61B5/0476 , A61B5/0488 , A61B5/7235
Abstract: 本发明公开了一种基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法，所述方法包括脑肌电信号同步采集部分和信号处理部分，脑肌电信号同步采集部分包括脑电信号采集和肌电信号采集；信号处理部分包括信号预处理和脑肌电的小波‑传递熵分析方法。本发明具有可应用性、可采纳性，在康复医学领域具有重要的应用价值。
-
公开(公告)号：CN113639993B
公开(公告)日：2022-06-07
申请号：CN202110942153.8
申请日：2021-08-17
Applicant: 燕山大学
IPC: G01M13/021 , G01M13/028 , F03D17/00 , G06N3/04 , G06N3/08
Abstract: 本发明涉及风力发电机组故障诊断技术领域，多模态多任务卷积神经网络的齿轮箱故障诊断方法，获取齿轮箱的多传感器数据，对数据进行连续小波变换作为预处理；将预处理得到的小波图像并行输入到多个卷积网络中进行特征学习后，获得的多通道特征输入到动态加权模块中进行加权，构成特征空间矩阵；将所获得的的特征空间矩阵输入到多任务模块中进行处理，主任务为分类任务，将所获得的的特征空间矩阵输入到softmax层进行分类，辅助任务为多模态信号典型相关分析，将得到的结果反馈给主任务，提升主任务的分类精度；本发明有效提取并融合了故障特征，并以相关性分析的方法改善了分类的效果，提高了故障诊断和分类的精度和效果。
-
公开(公告)号：CN113255210B
公开(公告)日：2022-12-02
申请号：CN202110520120.4
申请日：2021-05-13
Applicant: 燕山大学
IPC: G06F30/27 , G06K9/62 , G06N3/08 , G06F113/06
Abstract: 本发明公开一种风电机组联邦故障诊断方法及系统，先基于风电场内相同类型风电机组构建风电机组的训练集和测试集；然后基于联邦学习框架，根据所述训练集对本地故障诊断模型进行训练，获得各风电机组对应的最优共享故障诊断模型；最后将所述测试集输入至各风电机组对应的所述最优共享故障诊断模型进行风电机组故障诊断，获得风电机组故障诊断结果。本发明基于联邦学习框架实现多台风电机组数据共享，通过“数据不动模型动”的方式，在数据不出本地的情况下，将各台风电机组联合起来进行联邦训练，在有效的保护不同风电机组制造商数据隐私的同时，丰富了故障类型并解决了风电机组间存在的数据孤岛问题，在风电机组故障诊断领域中具有广阔的前景。
-
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：CN113240022A
公开(公告)日：2021-08-10
申请号：CN202110547118.6
申请日：2021-05-19
Applicant: 燕山大学
Abstract: 本发明提出一种基于多尺度单分类卷积网络的风电齿轮箱故障检测方法，该方法设计具有不同卷积核大小的卷积网络，以并行的方式在多个卷积核尺度下挖掘齿轮箱振动信号的时间特征，仅利用齿轮箱正常状态下的振动数据进行建模和训练，无需有标记的故障样本参与，通过构建无监督学习模型，有效地避免了故障数据获取难、故障模式不完备、故障标记成本高等问题。与传统的机器学习方法相比，本发明能够提高齿轮箱故障检测的准确性和可靠性。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.023 seconds)
