-
公开(公告)号：CN115200850A
公开(公告)日：2022-10-18
申请号：CN202210848831.9
申请日：2022-07-19
申请人： 西安交通大学
IPC分类号： G01M13/00 , G01M13/045 , G01M99/00 , G06N3/08
摘要： 本发明公开了一种多测点样本结构信息显式表征下的机械设备异常检测方法，本发明构建了多测点状态检测样本结构信息表征模块以统计各测点检测样本之间的相关性，并采用多头注意力机制自适应加权集成多次相关性分析的结果，以此为基础显式表征多测点状态检测样本的结构信息，之后构建空域图卷积神经网络、多通道解码器并与多测点状态检测样本结构信息表征模块相结合作为异常检测模型计算得到多测点监测数据的重构损失，并基于指数加权移动平均的方法计算得到异常检测阈值，最终实现多测点无故障训练样本条件下的机械设备异常检测。本发明基于有监督学习框架，为多测点无故障训练样本条件下机械设备异常检测提供了一种有效方案。
-
公开(公告)号：CN112834194A
公开(公告)日：2021-05-25
申请号：CN202110093195.9
申请日：2021-01-22
申请人： 西安交通大学
摘要： 本发明公开了一种无故障样本下基于软目标度量的故障智能检测方法，使用多个加速度传感器与压力传感器采集机械设备运行状态下的原始信号，以固定长度截取时间序列得到数据样本集，并对各样本进行预处理；将获取的数据样本分类标签化，划分样本数据为训练集和测试集；然后构建基于多源卷积神经网络的异常检测模型，对各源数据自适应地分配权值以得到最优化输出结果。然后，使用高斯噪声作为辅助数据参与训练，并构建机械设备样本的软目标，约束正常样本输出的上限。最后，构建基于度量学习的样本原型，以其上限作为阈值实现机械设备异常智能检测。本发明可降低大量多运行状态下的数据需求，有利于推进异常智能检测方法在故障诊断领域的应用。
-
公开(公告)号：CN111537207A
公开(公告)日：2020-08-14
申请号：CN202010357694.X
申请日：2020-04-29
申请人： 西安交通大学
IPC分类号： G01M13/00 , G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种小样本下用于机械故障智能诊断的数据增强方法，包括以下步骤：以机械设备各种运行状态下的一维信号作为数据集合，对获取到的各种运行状态下的一维信号进行预处理，并划分训练集和测试集；对训练集使用无监督数据增强方法，得到预增强训练集；对预增强训练集，使用有监督数据增强方法，得到增强训练集；然后构建智能诊断模型，用增强训练集对模型进行训练，最后将模型用于测试集的故障诊断，并对结果进行评估。本发明通过数据增强方法，在小样本条件下，有效扩展了每个类别的分布边界，提高了训练集的多样性和数据量，达到了增强数据集的目的，该增强数据集用于智能模型的训练，可以有效提高模型的训练稳定性和泛化能力。
-
公开(公告)号：CN110647923A
公开(公告)日：2020-01-03
申请号：CN201910833028.6
申请日：2019-09-04
申请人： 西安交通大学
摘要： 本发明公开了小样本下基于自我学习的变工况机械故障智能诊断方法，对机械设备变工况运行状态下的机械信号样本进行标准化预处理；构建生成对抗网络并训练，通过生成机械信号样本的方式增强训练数据集；构建自我学习网络模型；使用生成对抗网络生成的机械信号样本与不超过30个的真实机械信号样本预训练自我学习网络模型；构建机械设备状态分类与识别网络模型；使用不超过30个的真实机械信号样本及其对应的状态标签对机械设备状态分类与识别网络模型的网络权重进行微调，权重微调后的机械设备状态分类与识别网络模型即可实现变工况下的机械故障智能诊断。本发明具有诊断结果准确率高，抗干扰能力强的特点。
-
公开(公告)号：CN107016440B
公开(公告)日：2019-06-11
申请号：CN201710118105.0
申请日：2017-03-01
申请人： 西安交通大学
IPC分类号： G06N3/08
摘要： 本发明公开了一种机械传动故障的多分辨率深度神经网络智能诊断方法，包括以下步骤：对于一样本集合，得到深度神经网络的初始参数；对样本集合中所有样本依次输入深度神经网络，得到网络输出结果；将输出结果与样本标签进行对比得到相应的总分类误差；利用得到的总误差计算神经网络每层的误差；利用深度神经网络误差更新其网络参数；以得到的新的深度神经网络计算每个样本的网络输出结果；依次进行迭代，直到分类精度或迭代次数达到预设要求，得到并输出分类结果及网络参数。本发明直接以采集得到的机械信号作为网络输入，省去了花费于特征提取优化的人力物力，并且通过多层神经网络的自适应特征学习，提高了分类精度与网络抗噪性。
-
公开(公告)号：CN109272114A
公开(公告)日：2019-01-25
申请号：CN201810896883.7
申请日：2018-08-08
申请人： 西安交通大学
IPC分类号： G06N3/08
摘要： 机械装备剩余使用寿命快速有效预测的深度学习方法，对机械装备的多维全寿命周期数据进行处理；然后对经过处理后的数据进行非线性降维与性能非线性退化特征的提取后分解成短序列数据，再构建一个深度门控递归神经网络模型；设置网络深度N、学习率，批次大小与迭代次数，使得深度门控递归神经网络输出的剩余使用寿命预测值与真实的寿命的平均相对误差低于10％，否则重新设置上述参数进行网络模型训练，直至平均相对误差低于10％；再进行后处理。该预测方法利用多层自动编码器与深度门控递归神经网络组合工作，既克服了高维数据难建模、易过拟合的问题，又解决了对长时间序列难建模的问题，具有预测精度高、运行速度快等特点。
-
公开(公告)号：CN108763728A
公开(公告)日：2018-11-06
申请号：CN201810508400.1
申请日：2018-05-24
申请人： 西安交通大学
摘要： 本发明公开了一种基于并联型深度神经网络分层特征提取的机械故障诊断方法，包括：以旋转机械故障数据集作为样本集合，得到深度神经网络模型的初始参数；将样本集合中的所有样本输入深度神经网络模型，得到输出结果；将输出结果与样本标签进行对比，计算总分类误差；利用分类误差，通过误差反向传播算法计算每一层的误差，对网络的参数进行更新；以网络参数更新后的深度神经网络模型再次计算每个样本的输出结果；进行迭代，直到分类误差达到预设值或迭代次数达到上限，输出网络参数与分类结果。本发明直接以采集到的机械信号作为输入，避免了大量预处理操作，并且通过并联型深度神经网络分层特征提取，提高了的分类精度与计算效率。
-
公开(公告)号：CN103984813B
公开(公告)日：2017-06-06
申请号：CN201410195851.6
申请日：2014-05-09
申请人： 西安交通大学
IPC分类号： G06F17/50
摘要： 本发明公开了一种离心压缩机裂纹叶轮结构的振动建模与分析方法，首先，提出了一种离心叶轮的建模方法，通过叶轮的一个扇区的有限元模型旋转变换得到整个模型，采用混合界面模态综合法对系统的自由度进行缩减，并通过在裂纹界面上定义接触的方式模拟裂纹的呼吸效应。其次，提出了一种求解大型对称稀疏矩阵逆矩阵的方法，显著地减少了计算所需的内存空间。最后，提出了一种对裂纹叶轮结构的谐振频率进行统计分析的方法，考虑了实际叶轮存在的制造误差及状态劣化等失谐因素，获得了在随机失谐模式下结构谐振频率的统计规律性。该方法在保证计算精度的同时，计算效率提升效果显著，为叶轮的优化设计以及裂纹的定量诊断提供了一种高效的分析方法。
-
公开(公告)号：CN103983697A
公开(公告)日：2014-08-13
申请号：CN201410195623.9
申请日：2014-05-09
申请人： 西安交通大学
IPC分类号： G01N29/12
摘要： 本发明公开了一种运行状态下离心压缩机叶轮裂纹的频域定量诊断方法，首先，考虑了由于制造误差、积垢等原因导致的结构随机失谐因素，研究了失谐情况下频率指标的统计规律性，得到频率指标与裂纹深度、失谐水平间的定量关系，提出了一种基于谐振频率偏移的离心压缩机叶轮裂纹的频域定量诊断指标，进而建立叶轮的裂纹诊断数据库。其次，本发明通过离心压缩机转子的振动信号获取裂纹叶轮的前若干阶敏感谐振频率，计算谐振频率的偏移量指标，将测得的指标与已建立的裂纹诊断数据库进行对比，获得裂纹的深度，实现叶轮裂纹的定量诊断。本发明揭示了裂纹对离心压缩机机组频域响应特征的影响规律，为实现运行状态下叶轮的裂纹定量诊断提供了有效的方法。
-
公开(公告)号：CN114077849B
公开(公告)日：2024-04-05
申请号：CN202111365171.0
申请日：2021-11-17
申请人： 西安交通大学
IPC分类号： G06F18/21 , G06F18/214 , G06F18/15 , G06F18/25 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于部件级融合的发动机健康状态识别方法，以航天发动机稳态运行阶段多部件的多个传感器通道采集到的一维信号作为原始数据，统一对每个通道信号进行预处理，按照通道采集信息所在位置进行数据部件级划分，并划分训练集和测试集，通过训练集的健康样本生成异常样本并将其加入训练集；分别构部件级卷积神经网络作为部件智能状态识别模型，模型通过对训练集各部件多源数据进行自适应特征提取及融合，实现对航天发动机部件级的健康状态智能识别，并使用部件状态融合模型对部件识别结果进行融合完成整体状态的智能识别；将模型用于测试集的部件健康状态识别及整体状态融合识别，并对结果进行评估。
-
-
-
-
-
-
-
-
-
搜索结果
63 条记录 (耗时 0.031 秒)
