-
公开(公告)号：CN105738109A
公开(公告)日：2016-07-06
申请号：CN201610096063.0
申请日：2016-02-22
Applicant: 重庆大学
IPC: G01M13/04
Abstract: 本发明公开了一种基于稀疏表示与集成学习的轴承故障分类诊断方法，通过加速度传感器采集每种工况下滚动轴承在不同转速工作的振动加速度信号作为训练样本；选取m个训练样本构成m组训练数据，建立弱分类器—图正则化稀疏表示模型；对图正则化稀疏表示进行T次迭代运算；弱分类器得到分类函数序列，然后对每个分类函数分别赋予一个权重，最终强分类函数F由弱分类函数通过加权得到；通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据作为测试样本；将测试样本作为强分类函数的输入量带入强分类函数进行运算，即可得到待测滚动轴承的故障分类结果。本方法能够提高滚动轴承故障诊断的准确性和有效性。
-
公开(公告)号：CN104655425A
公开(公告)日：2015-05-27
申请号：CN201510099984.8
申请日：2015-03-06
Applicant: 重庆大学
Abstract: 本发明提供了一种基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法，该方法克服了现有单通道机械复合故障诊断方法中信号分解不完备、重构信号难以较好保持观测信号特征等不足，通过完备总体经验模态分解法实现信号从一维到高维的转化，保证了分解的完备性，抑制了模态混叠现象；同时，在盲源信号的特征提取处理过程中，引入了基于稀疏表示的维数约简方法，通过稀疏表示对数据进行稀疏重构，从全局数据中提取出数据特征信息，使得重构信号能够更好的保持了观测信号数据特征；并且，在对待测轴承机型故障类型分类处理过程中，引入了大间隔分布学习分类方法，借助大间隔分布学习分类方法的泛化能力，能够提高轴承故障诊断的准确性和有效性。
-
公开(公告)号：CN119196081A
公开(公告)日：2024-12-27
申请号：CN202411318792.7
申请日：2024-09-21
Abstract: 本发明公开了一种分布式独立二次调压开式泵控液压系统，包括二次调压传动控制系统以及液压供能系统，还包括第一液压控制系统、第二液压控制系统、第三液压控制系统，且分别集成一体式电液执行机构，第一液压控制系统、第二液压控制系统、第三液压控制系统的集成一体式电液执行机构分别依次独立安装在相应的液压缸上，三个系统分别控制动臂、斗杆与铲斗，应用于液压挖掘机时，单向恒压泵布置于舱室内，各双向泵/马达单元布置于臂架上分别控制动臂、斗杆和铲斗运动，这种工作模式能有效减小臂架上各双向液压泵/马达单元的峰值输出功率，进一步缩小各液压泵/马达单元外形尺寸，在有效节省关键元件制造成本的同时优化了臂架结构的紧凑性。
-
公开(公告)号：CN105760839A
公开(公告)日：2016-07-13
申请号：CN201610096077.2
申请日：2016-02-22
Applicant: 重庆大学
CPC classification number: G06K9/6269 , G06K9/00523 , G06K9/629
Abstract: 本发明公开了一种基于多特征流形学习与支持向量机的轴承故障诊断方法，1)通过加速度传感器采集每种工况下滚动轴承在不同转速的振动加速度信号作为训练样本；2)对训练样本分别提取时域、频域和时频域特征参数；3)进行流行学习得到低维流形结构；4)通过传感器采集待测滚动轴承在转动时的振动加速度信号作为测试样本；5)提取测试样本的时域、频域和时频域特征参数；6)对测试样本进行流形学习得到低维流行结构；7)采用支持向量机分类方法对测试样本与训练样本进行匹配，将与测试样本最为匹配的训练样本所属的工况类别判定为测试样本的工况类别。本方法能够提高滚动轴承故障诊断的准确性和有效性。
-
Patent Agency Ranking
公开(公告)号：CN113164492A
公开(公告)日：2021-07-23
申请号：CN201980050961.4
申请日：2019-05-31
Applicant: 国家医疗保健研究所 , 阿拉贡内萨研究与发展代理基金会(阿莱德) , 埃尔切的米格尔·埃尔南德斯大学 , 阿拉贡卫生调查研究所基金会 , 重庆大学 , 让波利与艾琳卡尔梅特研究所 , 埃克斯-马赛大学 , 萨拉戈萨大学 , 阿拉贡健康科学研究所-阿拉贡健康科学研究所 , 国家科学研究中心 , 国家研究理事会-意大利国家研究理事会
IPC: A61K31/5415 , A61P35/00 , A61K45/06
Abstract: 本发明涉及治疗选自以下的肿瘤：胰腺癌、肝癌、黑素瘤、结肠癌、成胶质细胞瘤、骨肉瘤、前列腺癌和乳腺癌，更特别是胰腺癌。发明人发现了新型的式(I)化合物家族，其能够通过抑制NUPR1(一种应激诱导的82个氨基酸长的染色质蛋白AT钩家族的内在无序成员)来治疗多种癌症。因此，本发明涉及用于治疗选自胰腺癌、肝癌、黑素瘤、结肠癌、成胶质细胞瘤、骨肉瘤、前列腺癌和乳腺癌的肿瘤的式(I)化合物的用途。特别地，发明人在四个特征明确的原发性胰腺癌衍生细胞02.063和LIPC(基础亚型)、Foie8b(源自肝转移)和HN14(经典亚型)以及其他来自不同肿瘤的细胞系的抗体，即U87(胶质母细胞瘤)、A375和B16(黑素瘤)、U2OS和SaOS(骨肉瘤)、HT29、SK‑CO‑1和LS174T(结肠癌)、HepG2(肝癌)、PC3(前列腺)和MDA‑MB‑231(乳腺癌)上测试了式(I)化合物。还要求保护化合物本身。
-
公开(公告)号：CN104655425B
公开(公告)日：2017-05-03
申请号：CN201510099984.8
申请日：2015-03-06
Applicant: 重庆大学
Abstract: 本发明提供了一种基于稀疏表示和大间隔分布学习的轴承故障分类诊断方法，该方法克服了现有单通道机械复合故障诊断方法中信号分解不完备、重构信号难以较好保持观测信号特征等不足，通过完备总体经验模态分解法实现信号从一维到高维的转化，保证了分解的完备性，抑制了模态混叠现象；同时，在盲源信号的特征提取处理过程中，引入了基于稀疏表示的维数约简方法，通过稀疏表示对数据进行稀疏重构，从全局数据中提取出数据特征信息，使得重构信号能够更好的保持了观测信号数据特征；并且，在对待测轴承机型故障类型分类处理过程中，引入了大间隔分布学习分类方法，借助大间隔分布学习分类方法的泛化能力，能够提高轴承故障诊断的准确性和有效性。
-
公开(公告)号：CN105891217A
公开(公告)日：2016-08-24
申请号：CN201610269971.5
申请日：2016-04-27
Applicant: 重庆大学
IPC: G01N21/88
CPC classification number: G01N21/8851 , G01N2021/8887
Abstract: 本发明公开了一种基于智能小车的钢轨表面缺陷检测系统，包括智能小车和上位机，智能小车包括获取图像装置、通信模块、电机驱动装置和控制装置，所述获取图像装置、通信模块、电机驱动装置分别与控制装置连接，智能小车和上位机通过通信模块进行通信。改变了传统人工对钢轨缺陷的巡检，采用智能小车和上位机的结合，完成对钢轨缺陷数据的准确获取，有效避免了人为因素带来的误差，准确度高，提高了检测速度，降低了工人劳动强度，在保证铁路线路安全的同时，可以节省检测成本，提高线路维护效率。
-
公开(公告)号：CN105738109B
公开(公告)日：2017-11-21
申请号：CN201610096063.0
申请日：2016-02-22
Applicant: 重庆大学
IPC: G01M13/04
Abstract: 本发明公开了一种基于稀疏表示与集成学习的轴承故障分类诊断方法，通过加速度传感器采集每种工况下滚动轴承在不同转速工作的振动加速度信号作为训练样本；选取m个训练样本构成m组训练数据，建立弱分类器—图正则化稀疏表示模型；对图正则化稀疏表示进行T次迭代运算；弱分类器得到分类函数序列，然后对每个分类函数分别赋予一个权重，最终强分类函数F由弱分类函数通过加权得到；通过加速度传感器采集待测滚动轴承在转动工作时的振动加速度信号数据作为测试样本；将测试样本作为强分类函数的输入量带入强分类函数进行运算，即可得到待测滚动轴承的故障分类结果。本方法能够提高滚动轴承故障诊断的准确性和有效性。
-
公开(公告)号：CN104616033A
公开(公告)日：2015-05-13
申请号：CN201510080839.5
申请日：2015-02-13
Applicant: 重庆大学
IPC: G06K9/66
CPC classification number: G06K9/6256 , G06K9/6269
Abstract: 本发明提供了一种基于深度学习和支持向量机的滚动轴承故障诊断方法，其利用深度信念网络理论中成熟的学习算法完成故障诊断所需的特征提取任务，可以不依赖人工选择由简单到复杂、由低级到高级自动地提取输入数据的本质特征，并能自动挖掘出隐藏在已知数据中的丰富信息；此外，由于采用了支持向量机分类方法对测试样本进行分类识别，因此可以采用之前设计好的有效方法去寻找和发现目标函数的全局最小值，从而解决深度信念网络可能陷入局部最优解的问题。本发明的滚动轴承故障诊断方法能够提高滚动轴承故障诊断的准确性和有效性，为解决滚动轴承故障诊断问题提供一种新的有效途径，可广泛应用于化工、冶金、电力、航空等领域的复杂系统中。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
