-
公开(公告)号：CN109829402B
公开(公告)日：2022-08-30
申请号：CN201910053693.3
申请日：2019-01-21
申请人： 福州大学 , 江苏泰隆减速机股份有限公司
摘要： 本发明涉及一种基于GS‑SVM的不同工况下轴承损伤程度诊断方法，包括如下步骤：步骤S1：获取不同工况下轴承的振动加速度信号；步骤S2:设定VMD算法的参数;步骤S3：计算所获取振动加速度信号的时域指标、频域指标，并对所获取的振动加速度信号进行VMD分解，基于分解结果，计算其样本熵；步骤S4：根据得到的振动加速度信号的时域指标、频域指标与分量样本熵构成特征向量并进行归一化；步骤S5：采用网格搜索法对支持向量机的惩罚系数C和径向基核函数参数g寻优，将训练集输入支持向量机进行训练；步骤S6：将测试集输入训练后的支持向量机，判断故障轴承的损伤程度。本发明能够构建最优的SVM，对于轴承损伤程度的诊断更为精准。
-
公开(公告)号：CN109029977A
公开(公告)日：2018-12-18
申请号：CN201810762387.2
申请日：2018-07-12
申请人： 福州大学
IPC分类号： G01M13/02
摘要： 本发明涉及一种基于VMD‑AMCKD的行星齿轮箱早期故障诊断方法，包括步骤S1获取行星齿轮箱的振动加速度信号，并确定VMD参数；步骤S2基于VMD参数，对原振动信号进行VMD分解，并根据相关系数最大准则，选取最优分量；步骤S3:根据GOA寻优算法对所述最优分量进行MCKD参数的寻优；步骤S4:根据步骤S3得到的MCKD参数，对最优分量信号进行MCKD分析，再对解卷积后信号进行包络解调；步骤S5:将轴承理论故障特征频率值与包络谱中峰值明显的谱线进行对照，从而诊断出故障类型，确定故障部位。本发明采用GOA算法克服了MCKD算法中参数难以确定问题，采用VMD实现了信号降噪及各频率带分离，采用MCKD进一步增强故障冲击成分，对于行星齿轮箱早期故障诊断更为精准。
-
公开(公告)号：CN108444698A
公开(公告)日：2018-08-24
申请号：CN201810619712.X
申请日：2018-06-15
申请人： 福州大学
IPC分类号： G01M13/02
CPC分类号： G01M13/021 , G01M13/028
摘要： 本发明涉及一种基于TEO解调和随机共振的行星齿轮箱早期故障诊断方法。首先，对行星齿轮箱振动信号进行经验模式分解并选取包含故障信息的分量信号，使用TEO解调运算获得分量信号的解调信号；其次，为满足随机共振系统的小参数条件，将解调信号做适当压缩处理并进行频率二次采样；再次，以定义的随机共振系统的输出信噪比为适应度函数，采用粒子群算法优化随机共振系统的结构参数，进而重构随机共振系统。最后，将信号重新输入参数优化后的随机共振系统实现故障特征的增强提取。本发明提出的EMD+TEO的信号预处理方法降低了故障提取难度，且引入PSO算法自适应的实现了参数调节驱动下的随机共振，高效提取微弱的行星齿轮箱早期故障。
-
公开(公告)号：CN108444698B
公开(公告)日：2019-07-09
申请号：CN201810619712.X
申请日：2018-06-15
申请人： 福州大学
IPC分类号： G01M13/021 , G01M13/028
摘要： 本发明涉及一种基于TEO解调和随机共振的行星齿轮箱早期故障诊断方法。首先，对行星齿轮箱振动信号进行经验模式分解并选取包含故障信息的分量信号，使用TEO解调运算获得分量信号的解调信号；其次，为满足随机共振系统的小参数条件，将解调信号做适当压缩处理并进行频率二次采样；再次，以定义的随机共振系统的输出信噪比为适应度函数，采用粒子群算法优化随机共振系统的结构参数，进而重构随机共振系统。最后，将信号重新输入参数优化后的随机共振系统实现故障特征的增强提取。本发明提出的EMD+TEO的信号预处理方法降低了故障提取难度，且引入PSO算法自适应的实现了参数调节驱动下的随机共振，高效提取微弱的行星齿轮箱早期故障。
-
公开(公告)号：CN110455530B
公开(公告)日：2021-08-31
申请号：CN201910880463.4
申请日：2019-09-18
申请人： 福州大学
IPC分类号： G01M13/021 , G01M13/028 , G06N3/04 , G06N3/08
摘要： 本发明提出一种谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法，包括以下步骤：步骤S1：采集不同类型风机故障对应的故障信号，作为训练样本；步骤S2：对采集获得的所述故障信号进行去均值化和降噪；步骤S3：获取经过步骤S2处理的故障信号的谱峭度图，并将所述谱峭度图转化为灰度图；步骤S4：统一所有所述灰度图的尺寸，将所有所述灰度图随机划分成训练集、测试集；步骤S5：初始化卷积神经网络的网络参数，训练卷积神经网络模型；步骤S6：将测试集输入到步骤S5训练完成的卷积神经网络模型，获得诊断结果。本发明使用谱峭度图作为卷积神经网络的输入识别特征，对于风机的复合故障识别更为精准。
-
公开(公告)号：CN109829402A
公开(公告)日：2019-05-31
申请号：CN201910053693.3
申请日：2019-01-21
申请人： 福州大学 , 江苏泰隆减速机股份有限公司
摘要： 本发明涉及一种基于GS-SVM的不同工况下轴承损伤程度诊断方法，包括如下步骤：步骤S1：获取不同工况下轴承的振动加速度信号；步骤S2:设定VMD算法的参数;步骤S3：计算所获取振动加速度信号的时域指标、频域指标，并对所获取的振动加速度信号进行VMD分解，基于分解结果，计算其样本熵；步骤S4：根据得到的振动加速度信号的时域指标、频域指标与分量样本熵构成特征向量并进行归一化；步骤S5：采用网格搜索法对支持向量机的惩罚系数C和径向基核函数参数g寻优，将训练集输入支持向量机进行训练；步骤S6：将测试集输入训练后的支持向量机，判断故障轴承的损伤程度。本发明能够构建最优的SVM，对于轴承损伤程度的诊断更为精准。
-
公开(公告)号：CN109765052B
公开(公告)日：2021-02-26
申请号：CN201910053760.1
申请日：2019-01-21
申请人： 福州大学 , 江苏泰隆减速机股份有限公司
IPC分类号： G01M13/045 , G06N3/00
摘要： 本发明涉及一种基于GOA‑ASR的行星齿轮箱早期故障诊断方法，首先获取故障特征检测性能提升的高通滤波信号；其次，利用TEO算法解调上述高通滤波信号，得到含故障特征的解调信号；判断是否满足随机共振(SR)的小参数要求，不满足则将解调信号进一步做适压缩处理以及频率二次采样处理；随后，使用提出的LSNR指标作为适应度函数，引入GOA算法对随机共振系统参数进行自适应寻优，进而重构最优参数下的随机共振系统。最后，将信号输入随机共振系统，得到周期特征增强的输出信号，并通过对输出信号的FFT频谱分析实现故障判别。本发明中，有效降低了故障提取难度，实现行星齿轮箱早期故障的准确提取。
-
公开(公告)号：CN110455530A
公开(公告)日：2019-11-15
申请号：CN201910880463.4
申请日：2019-09-18
申请人： 福州大学
IPC分类号： G01M13/021 , G01M13/028 , G06N3/04 , G06N3/08
摘要： 本发明提出一种谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法，包括以下步骤：步骤S1：采集不同类型风机故障对应的故障信号，作为训练样本；步骤S2：对采集获得的所述故障信号进行去均值化和降噪；步骤S3：获取经过步骤S2处理的故障信号的谱峭度图，并将所述谱峭度图转化为灰度图；步骤S4：统一所有所述灰度图的尺寸，将所有所述灰度图随机划分成训练集、测试集；步骤S5：初始化卷积神经网络的网络参数，训练卷积神经网络模型；步骤S6：将测试集输入到步骤S5训练完成的卷积神经网络模型，获得诊断结果。本发明使用谱峭度图作为卷积神经网络的输入识别特征，对于风机的复合故障识别更为精准。
-
公开(公告)号：CN109471409A
公开(公告)日：2019-03-15
申请号：CN201811328401.4
申请日：2018-11-09
申请人： 福州大学
IPC分类号： G05B19/408 , G05B19/4093
摘要： 本发明涉及一种利用数控宏程序在并联机床中的应用方法，包括以下步骤：步骤S1:将待加工零件数据输入CAM软件，并利用CAM软件处理，获得加工路径；步骤S2:根据后处理程序将加工路径转化为G代码；步骤S3:构建并联机床运动学逆解宏程序；步骤S4:构建并联机床运动学正解宏程序；步骤S5:G代码分别调用并联机床运动学逆解宏程序和并联机床运动学正解宏程序，得到加工代码；步骤S6：将得到的加工代码输入至并联机床的数控系统，控制并联机床对待加工零件进行加工。本发明利用宏程序合理的数学转换，有效拓宽了传统数控机床控制器在并联机床上的运用，还可利用相同的原理与多种控制器结合，有效节省了经济成本，具有广泛的工业运用前景。
-
公开(公告)号：CN108426715A
公开(公告)日：2018-08-21
申请号：CN201810610048.2
申请日：2018-06-13
申请人： 福州大学
IPC分类号： G01M13/04
CPC分类号： G01M13/045
摘要： 本发明提供一种基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，对采集到的振动信号，首先利用PSO算法优化VMD算法，基于VMD对微弱故障信号分解后的结果，选取最优模态分量。其次，根据最优模态分量的包络谱中的突出频率范围，确定PSO对MCKD算法中T的寻优范围；利用PSO优化MCKD算法,再基于MCKD算法加强最优分量信号中的故障冲击成分。最后，包络谱提取轴承微弱故障特征并与理论故障频率进行对比，得到故障诊断结果。本发明克服了VMD和MCKD算法中参数难以确定问题，采用VMD实现了信号降噪及获取突出故障频率范围，采用MCKD进一步增强故障冲击成分，对于滚动轴承微弱故障诊断更为精准。
-
-
-
-
-
-
-
-
-
搜索结果
15 条记录 (耗时 0.023 秒)
