-
公开(公告)号：CN119321890A
公开(公告)日：2025-01-17
申请号：CN202411271271.0
申请日：2024-09-11
Applicant: 西安交通大学
IPC: G01M13/028 , G01M13/021 , G06F18/214 , G06F18/24 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 一种正常样本聚合对比学习网络的齿轮箱变工况故障检测方法，该方法中，使用振动传感器在转速变化的条件下采集齿轮箱不同健康状态下运行的振动信号，对训练集中的样本连续进行偏移变换与保同变换，生成虚拟正常样本和虚拟异常样本集合；建立深度对比学习网络，根据所生成虚拟样本计算基于常态样本聚集和异常样本分离的对比损失，通过最小化对比损失训练网络；将记忆样本集输入到训练后的网络中，以每一个样本与剩余记忆样本集合的最小余弦距离作为异常分数，确定检测阈值；最后计算测试样本的异常分数，根据阈值判断齿轮箱的健康状态。本发明实现变工况齿轮箱的故障检测。
-
公开(公告)号：CN120063715A
公开(公告)日：2025-05-30
申请号：CN202510096939.0
申请日：2025-01-22
Applicant: 西安交通大学
IPC: G01M13/021 , G01M13/028 , G06F18/15 , G06F18/213 , G06F18/25 , G06F18/2415 , G06N3/0464 , G06N3/045 , G06N3/096 , G06N3/048
Abstract: 本发明提供了基于增量学习的传动系统齿轮故障诊断方法，方法包括：首先使用传感器采集传动系统监测数据并构建增量数据集，划分为不同阶段的故障诊断任务；构造初始模型，并基于初始故障数据训练模型；在测试阶段定义广义熵指标判断故障是否为新生故障；当出现新故障类别数据时，从旧类数据中随机选取少量样本，并与新类数据融合构造训练集，为避免模型对旧类故障数据的遗忘，训练时对注意力权重和旧类预测输出进行知识蒸馏；当广义熵指标继续判断出现未知故障时，重复网络训练步骤对模型进行更新，最终实现故障模式的增量学习。本发明能够面向流式数据实现故障诊断模型的持续更新，提高对传动系统的状态监测能力，为机械系统服役安全提供保障。
-
公开(公告)号：CN117235940A
公开(公告)日：2023-12-15
申请号：CN202211689906.X
申请日：2022-12-26
Applicant: 西安交通大学
IPC: G06F30/18 , G06F30/27 , G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/0455 , G06N3/0499 , G06N3/084
Abstract: 公开了一种健康管理系统传感器优化配置的自注意力重要性排序方法，方法包括：使用多个传感器采集电机及其传动系统的传感器信号，根据传感器信号构造输入样本，并对输入样本进行标准化预处理；构建基于深度自注意力网络对传感器节点关系进行建模，进而提取多路信号的深层特征；通过网络训练优化对电机故障进行分类，度量单个传感器对网络的贡献，进而对传感器的重要性进行评估得到评估结果；根据所述评估结果对多个传感器进行优化配置。
-
公开(公告)号：CN117235563A
公开(公告)日：2023-12-15
申请号：CN202211679785.0
申请日：2022-12-26
Applicant: 西安交通大学
IPC: G06F18/24 , G06F18/214 , G06N3/0455 , G06N3/048 , G06N3/08 , G01M13/028 , G01M13/021
Abstract: 公开了一种基于故障敏感特征深度距离测度的传动系统故障检测方法，方法包括：首先利用振动传感器采集锥齿轮正常状态和故障状态的振动信号，并提取信号的时域、频域特征构造样本集；然后计算特征类内类间距离评估其对故障状态的敏感性；将筛选的正常状态的特征输入到深度支持向量数据描述模型中训练进而构造可学习正常样本共有特征的超球体并设定故障阈值；将筛选的正常和故障状态特征输入到Deep‑SVDD网络中计算与超球体球心的距离，根据预设阈值判断锥齿轮的健康状态。本发明通过特征评估技术筛选锥齿轮故障敏感特征，并基于正常状态数据训练Deep‑SVDD网络构造超球体，最终实现传动系统锥齿轮健康状态的监测。
-
公开(公告)号：CN117232823A
公开(公告)日：2023-12-15
申请号：CN202211680843.1
申请日：2022-12-26
Applicant: 西安交通大学
IPC: G01M13/021 , G06F18/213 , G01M13/028
Abstract: 本公开揭示了一种基于编码器传递误差信号的传动系统齿轮箱故障诊断方法，包括：采集传动系统行星齿轮箱输入轴编码器信号与输出轴编码器信号；根据采集得到的编码器信号计算原始传递误差信号TE(t)，并对信号进行去计数趋势与零均值化，得到信号TE1(t)；对信号TE1(t)进行变分模态分解，提取代表转速波动趋势项的低频本征模态分量，使用TE1(t)减去转速波动趋势项，得到解耦转速波动后的去趋势传递误差信号TE2(t)；根据时标信号对去趋势传递误差信号TE2(t)进行时域同步平均分析，得到时域同步平均信号，然后对其进行FFT频谱分析，当故障状态的啮频和边频的幅值比正常状态均要大的时候，可以判定存在故障。
-
Patent Agency Ranking
公开(公告)号：CN113221282B
公开(公告)日：2022-12-06
申请号：CN202110543141.8
申请日：2021-05-19
Applicant: 西安交通大学
IPC: G06F30/17 , G06F30/27 , G06N3/04 , G06N3/08 , G06F119/04 , G06F119/08 , G06F113/08 , G06F119/14
Abstract: 公开了一种基于贝叶斯残差卷积网络的航空发动机寿命预测方法，方法中，基于多路传感器监测航空发动机状态得到多路的传感器数据以构造输入矩阵；通过数据分布直方图选择传感器数据，并进行数据标准化预处理；构建深度残差卷积网络，深度残差卷积网络包括卷积层、重复堆叠的残差模块和全连接层，基于变分贝叶斯推断将卷积层、重复堆叠的残差模块和全连接层中的参数分布化，获得贝叶斯深度网络；通过重参数方法，对贝叶斯深度网络进行端到端优化，实现模型的不确定性估计；从贝叶斯网络参数的分布中多次前向采样计算，获得航空发动机寿命预测区间。
-
公开(公告)号：CN120063714A
公开(公告)日：2025-05-30
申请号：CN202510096909.X
申请日：2025-01-22
Applicant: 西安交通大学
IPC: G01M13/021 , G01M13/028 , G01D21/02 , G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/08
Abstract: 一种传动系统故障诊断方法、系统、介质及设备，方法中，采集传动系统在时变转速与时变载荷的齿轮故障时的多传感器信号；构建多传感网络时变图数据集，划分训练集与测试集；将训练集数据输入到谱图小波包卷积神经网络中训练，实现故障分类；使用测试集数据对训练好的谱图小波包卷积神经网络进行测试，将测试表现最好的谱图小波包卷积神经网络保存以用于传动系统故障诊断。
-
公开(公告)号：CN120063477A
公开(公告)日：2025-05-30
申请号：CN202510096930.X
申请日：2025-01-22
Applicant: 西安交通大学
IPC: G01H17/00 , G06F18/2131 , G06N3/0442
Abstract: 本发明公开了一种基于小波包分解和长短时记忆网络的传感器故障检测方法，包括：使用传感器采集机械传动系统的振动信号；将所述振动信号利用滑动窗口设置样本和对应标签；对所述样本进行小波包分解，形成多尺度输入并构造数据集；构建预测模型，利用所述数据集及所述标签进行训练；将测试样本输入到训练好的模型预测未来信号，并与真实测量值进行对比，进而判断传感器工作状态。本发明无需依赖故障数据进行模型训练，能够避免因传感器故障引发的诊断系统误判，提高了设备运行效率和故障检测的可靠性。
-
公开(公告)号：CN117235489A
公开(公告)日：2023-12-15
申请号：CN202211679369.0
申请日：2022-12-26
Applicant: 西安交通大学
IPC: G06F18/213 , G06F18/24 , G06F18/25 , G06F18/21 , G06F18/214 , G06N3/0455 , G06N3/042 , G06N3/048 , G06N3/082
Abstract: 公开了一种传动系统多源监测数据的图变分自编码特征提取方法，包括：使用多个传感器采集故障模拟实验系统的信号，分别采集正常信号与故障信号；使用得到的数据根据多传感器网络图数据构造方法构造多传感图信号，并划分训练集和测试集；将训练集数据输入到图注意力变分自编码模型中进行训练，对多模态异构图信号进行特征提取与编码，获取图信号的低维嵌入融合特征表示；继续将所提取的图信号的低维嵌入融合特征输入到全局平均池化层中进行图读出操作，进而将图读出特征输入到全连接层分类器，与图注意力变分自编码模型编码器部分协同训练与分类，并通过测试集进行测试，将测试准确率最高的模型保存为最优的多源数据融合与故障特征提取模型。
-
公开(公告)号：CN117235437A
公开(公告)日：2023-12-15
申请号：CN202211680845.0
申请日：2022-12-26
Applicant: 西安交通大学
IPC: G06F18/10 , G06F18/213 , G06F18/24 , G06F18/241 , G06N3/0464 , G06N3/048 , G06N3/08 , G01M13/028
Abstract: 本发明涉及一种基于卷积网络结合自注意力机制的传感器故障识别方法，方法包括以下步骤：使用振动传感器采集传动系统的信号，应用经验模式分解(Empirical mode decomposition，EMD)提取内涵模态分量(Intrinsic Mode Functions，IMF)构造输入矩阵；将输入矩阵输入到四层卷积神经网络CNN，提取信号的空间特征；再将提取到的特征输入到自注意力模块中，对空间特征进行全局关系建模，捕捉特征的长时间依赖性；最后将振动信号的时空特征输入到线性分类器中进行分类，可以准确快速地检测出传感器故障。该模型可避免由于传感器故障导致的诊断系统故障误判，提高设备的运转效率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.015 seconds)
