-
公开(公告)号：CN115773883B
公开(公告)日：2024-08-20
申请号：CN202211405383.1
申请日：2022-11-10
申请人： 苏州大学
IPC分类号： G01M13/045 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/082
摘要： 本发明实施例提供了一种双生成器协同域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将源域样本图片和目标域样本图片输入模型进行训练，获得两个不同的特征生成器；将特征生成器两个生成特征，融合成新的特征；更新两个特征生成器、分类器和鉴别器的参数；将目标域数据集输入训练好模型，实现轴承故障诊断。本发明轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
公开(公告)号：CN115436058B
公开(公告)日：2023-10-03
申请号：CN202211057305.7
申请日：2022-08-30
申请人： 苏州大学
IPC分类号： G01M13/045 , G06F17/16 , G06F18/10 , G06F18/213
摘要： 本发明公开了一种轴承故障特征提取的方法、装置、设备以及计算机存储介质，包括采集轴承振动信号，并对轴承振动信号进行加窗截取；利用Katz方法计算截取信号片段的分形维数值；根据分形维数值跟踪轴承振动信号中轴承故障产生的冲击位置，提取冲击位置的包络线；进一步地根据峰值搜索算法对包络线进行去除干扰，得到轴承振动故障特征。本发明通过分形维数将轴承的振动序列转化为短时分形维数序列，并且在转换过程中对其他的干扰信号进行抑制，将轴承故障的信号更加突出，抑制干扰信号，最后根据峰值搜索算法将所有信号进行处理，进一步抑制干扰信号对轴承故障信号的影响，更加突显轴承故障信号。
-
公开(公告)号：CN116561904A
公开(公告)日：2023-08-08
申请号：CN202310276591.4
申请日：2023-03-21
申请人： 苏州大学
IPC分类号： G06F30/17 , G06F119/14
摘要： 本发明公开了一种滚动轴承动力学建模和振动特征分析方法，包括以下步骤：S1：建立健康的轴承动力学模型：分别计算了轴承处于弹流体动压润滑时轴承的刚度和阻尼、滚动体与保持架之间的力以及滚动体与滚道之间的力，确定了健康的轴承动力学模型中所需的基本物理量；S2：建立具有局部故障的轴承动力学模型：通过引入半正弦函数，描述了滚动体经过局部故障时的时变位移激励，最终建立了具有局部故障的轴承动力学模型；S3：识别具有局部故障的动态模型中的主要激振源：通过比较动态模型中基本物理量的数值大小和变化趋势，确定主要激振源。本发明，更为真实地模拟轴承运行过程中的实际工况，为滚动轴承在故障激励下的振动响应分析提供理论基础。
-
公开(公告)号：CN115112061A
公开(公告)日：2022-09-27
申请号：CN202210742688.5
申请日：2022-06-28
申请人： 苏州大学
摘要： 本发明涉及一种钢轨波磨检测方法及系统，包括：对正常轨道列车轴箱处振动加速度的时域信号进行稀疏优化处理，根据稀疏重构后的时域信号幅值和频域信号能量设置轨道波磨时域信号报警阈值和频域信号报警阈值，将待检测轨道列车轴箱处振动加速度的时域信号进行稀疏优化处理，将稀疏重构后的时域信号幅值和频域信号能量与时域信号报警阈值和频域信号报警阈值进行比较，当时域信号幅值和频域信号能量均大于报警阈值时，判断待检测轨道存在波磨。本发明提供的钢轨波磨检测方法使用稀疏优化方法对列车轴箱处振动加速度信号进行处理，通过设置报警阈值检测未知轨道区段，检测速度快，不影响列车正常运行，检测结果准确，可信度高。
-
公开(公告)号：CN114037215A
公开(公告)日：2022-02-11
申请号：CN202111211555.7
申请日：2021-10-18
申请人： 苏州大学
IPC分类号： G06Q10/06 , G06F17/16 , G01M13/045
摘要： 本发明公开了本发明提出了一种基于变步长多尺度复杂度融合指标的故障严重性评估方法。该方法首先提出了变步长多尺度策略，通过优化粗粒化过程，更全面地挖掘了故障特征，该策略解决了传统复杂度指标(LZC)因单尺度分析导致难以挖掘深层次信息的问题，同时也解决了传统多尺度复杂度指标(MLZC)因序列长度随尺度增加而缩短导致计算结果不准确的问题，以此构建了变步长多尺度复杂度指标(VSMLZC)。该发明相比于传统的复杂度指标，能够更准确、全面地挖掘故障特征，实现对旋转设备的早期故障诊断和损伤程度评估。
-
-
公开(公告)号：CN111651937A
公开(公告)日：2020-09-11
申请号：CN202010496380.8
申请日：2020-06-03
申请人： 苏州大学
IPC分类号： G06F30/27 , G06N3/04 , G06N3/08 , G01M13/045 , G06F119/02
摘要： 本发明涉及一种变工况下滚动轴承的故障诊断方法，其在利用卷积神经网络学习模型的基础上，结合迁移学习的算法处理机械设备复杂多变的工况导致深度学习模型通用性变差的问题。本发明首先对不同工况下采集的数据进行切割划分样本，利用FFT对样本进行预处理，然后利用改进的ResNet-50提取样本的低层次特征，接着多尺度特征提取器从不同角度分析低层次特征得到高层次特征作为分类器的输入。在训练的过程中同时提取训练样本跟测试样本的高层次特征，计算两者的条件分布距离作为目标函数的一部分反向传播以实现类内自适应，降低域漂移的影响，使得深度学习模型能更好地胜任变工况下的故障诊断任务。
-
公开(公告)号：CN110427916B
公开(公告)日：2020-05-01
申请号：CN201910750064.6
申请日：2019-08-14
申请人： 苏州大学
摘要： 本发明公开了一种中心频率收敛趋势作用下的故障诊断方法，包括(1)采集旋转机械设备的动态信号x(t)；(2)设置变分模型的初始分解参数；(3)使用设定初始分解参数的变分模型分解动态信号x(t)，在中心频率收敛趋势引导下遍历信号分析频带迭代分解动态信号x(t)，得到优化模态{m1...mn...mN}和相应的中心频率{ω1...ωn...ωN}；(4)搜索故障相关模态mI，以故障相关模态mI的中心频率ωI引导参数优化，提取包含故障信息的最优目标分量(5)包络分析最优目标分量根据包络谱诊断旋转机械设备。本发明的故障诊断方法，采用中心频率收敛趋势引导的分解方式实现诊断目标设备原始动态信号的智能分解，能够对采集的设备动态信号自适应地分析，降低了技术人员使用变分模态分解方法进行机械故障诊断的难度。
-
公开(公告)号：CN110060368A
公开(公告)日：2019-07-26
申请号：CN201910323189.0
申请日：2019-04-22
申请人： 苏州大学
摘要： 本发明公开了一种基于潜在特征编码的机械异常检测方法。本发明一种基于潜在特征编码的机械异常检测方法，包括：数据预处理：对振动信号数据进行预处理，包括傅立叶变换和归一化；正向传播：将预处理完的信号输入第一个全卷积网络，对数据进行编码。本发明的有益效果：本方法针对异常样本缺失问题，利用深度网络的特征挖掘能力，学习正常信号样本的数据分布，通过对信号进行编码-解码-再编码，将信号转移到潜在空间中进行数据分布对比。
-
公开(公告)号：CN107525674B
公开(公告)日：2019-06-28
申请号：CN201710392666.X
申请日：2017-05-27
申请人： 苏州大学
IPC分类号： G01M13/045
摘要： 本发明公开了一种基于脊线概率分布和局部波动特征的瞬时转频估计方法及检测装置，方法包括以下步骤：从振动信号中分离出低频区域，并采用快速谱峭度方法识别出共振频段，从而实现频段分离，并采用幅值累加平方算法对信号低频区域和共振频段时频分布特征进行增强；采用峰值搜索算法分别搜索信号低频区域和共振频段转频同步脊线，预估计出转频信息，对共振频段脊线同步化处理；利用基于概率分布的异常脊线区间定位方法，以确定脊线失效位置，改善对低频段和共振包络信号提取的脊线进行融合的结果；建立基于局部波动特性异常区间融合准则，引入标准差作为统计指标来指示脊线波动特征，作为异常数据段融合指标来评定融合结果，实现转频准确估计。
-
-
-
-
-
-
-
-
-
搜索结果
85 条记录 (耗时 0.032 秒)
