-
公开(公告)号：CN113689038B
公开(公告)日：2023-05-26
申请号：CN202110976954.6
申请日：2021-08-24
Applicant: 西北工业大学
Abstract: 本发明涉及一种基于多传感器模糊评估的发动机气缸故障预测方法，包括：获取发动机工作时的振动信号及气缸的上止点位置信号；对振动信号进行变分模态分解，对影响变分模态分解的参数进行优化，基于优化后的影响参数对振动信号进行变分模态分解，输出最佳振动信号；确定气缸的一个工作周期；确定气缸的三个振动阶段；找出三个振动阶段中气缸缸盖振动的峰值，根据最佳振动信号计算缸盖振动的有效值；将缸盖振动的峰值，缸盖振动的有效值作为指标因素，根据指标因素对气缸的健康状态进行模糊综合评估。本方法通过避免噪声信号对振动信号的影响，进而避免影响发动机故障的结果，提高了诊断结果的准确性，能对气缸性能全面评估，实用性强，值得推广。
-
Patent Agency Ranking
公开(公告)号：CN113689038A
公开(公告)日：2021-11-23
申请号：CN202110976954.6
申请日：2021-08-24
Applicant: 西北工业大学
Abstract: 本发明涉及一种基于多传感器模糊评估的发动机气缸故障预测方法，包括：获取发动机工作时的振动信号及气缸的上止点位置信号；对振动信号进行变分模态分解，对影响变分模态分解的参数进行优化，基于优化后的影响参数对振动信号进行变分模态分解，输出最佳振动信号；确定气缸的一个工作周期；确定气缸的三个振动阶段；找出三个振动阶段中气缸缸盖振动的峰值，根据最佳振动信号计算缸盖振动的有效值；将缸盖振动的峰值，缸盖振动的有效值作为指标因素，根据指标因素对气缸的健康状态进行模糊综合评估。本方法通过避免噪声信号对振动信号的影响，进而避免影响发动机故障的结果，提高了诊断结果的准确性，能对气缸性能全面评估，实用性强，值得推广。
-
公开(公告)号：CN113865859B
公开(公告)日：2024-05-14
申请号：CN202110982910.4
申请日：2021-08-25
Applicant: 西北工业大学
IPC: G01M13/021 , G01M13/028 , G06F18/25 , G06F18/10 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了多尺度多源异构信息融合的齿轮箱状态故障诊断方法，包括：采集齿轮箱故障时的红外图像和振动信号并预处理，采用基于高斯金字塔的的改进的多尺度分解方式，对预处理后的红外图像和振动信号进行不同尺度划分，将不同尺度的红外图像和振动信号分别转化成对应大小的灰度图后，对图像数据融合，将融合后的数据输入卷积神经网络，提取不同尺度下的齿轮箱故障特征，构建多尺度特征融合故障诊断模型，在多尺度特征融合故障诊断模型中输入齿轮箱的红外图像和振动信号，输出齿轮箱的故障类型。该方法可以并行提取原始图像变换的数据特征，通过端到端的学习方法实现对齿轮箱的多种故障模式识别。
-
公开(公告)号：CN113657537B
公开(公告)日：2024-02-02
申请号：CN202110976961.6
申请日：2021-08-24
Applicant: 西北工业大学
IPC: G06F18/2415 , G06F18/25 , G06F18/27 , G06N3/006 , G06N3/0464 , G06V10/764 , G06V10/82 , G06N3/08
Abstract: 本发明公开了一种基于多源信息融合的智能故障诊断方法，涉及故障诊断技术领域，诊断时先获取目标诊断部位的红外图像和振动信号，对故障诊断对象的红外图像和振动信号进行归一化处理，选取CNN网络作为深度学习的模型，分别得到基于红外图像和振动信号的诊断结果，采用粒子群PSO算法进行样本训练，将红外图像和振动信号的决策进行融合，得到准确度和可迁移度更高的模型，实现对目标的准确诊断。
-
公开(公告)号：CN113865859A
公开(公告)日：2021-12-31
申请号：CN202110982910.4
申请日：2021-08-25
Applicant: 西北工业大学
IPC: G01M13/021 , G01M13/028 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了多尺度多源异构信息融合的齿轮箱状态故障诊断方法，包括：采集齿轮箱故障时的红外图像和振动信号并预处理，采用基于高斯金字塔的的改进的多尺度分解方式，对预处理后的红外图像和振动信号进行不同尺度划分，将不同尺度的红外图像和振动信号分别转化成对应大小的灰度图后，对图像数据融合，将融合后的数据输入卷积神经网络，提取不同尺度下的齿轮箱故障特征，构建多尺度特征融合故障诊断模型，在多尺度特征融合故障诊断模型中输入齿轮箱的红外图像和振动信号，输出齿轮箱的故障类型。该方法可以并行提取原始图像变换的数据特征，通过端到端的学习方法实现对齿轮箱的多种故障模式识别。
-
公开(公告)号：CN113657537A
公开(公告)日：2021-11-16
申请号：CN202110976961.6
申请日：2021-08-24
Applicant: 西北工业大学
Abstract: 本发明公开了一种基于多源信息融合的智能故障诊断方法，涉及故障诊断技术领域，诊断时先获取目标诊断部位的红外图像和振动信号，对故障诊断对象的红外图像和振动信号进行归一化处理，选取CNN网络作为深度学习的模型，分别得到基于红外图像和振动信号的诊断结果，采用粒子群PSO算法进行样本训练，将红外图像和振动信号的决策进行融合，得到准确度和可迁移度更高的模型，实现对目标的准确诊断。
-
-
-
-
-
Search Results
6
records
(took 0.022 seconds)
