-
公开(公告)号：CN109977920B
公开(公告)日：2022-06-07
申请号：CN201910289197.8
申请日：2019-04-11
Applicant: 福州大学
Abstract: 本发明涉及一种基于时频谱图及卷积神经网络的水轮机组故障诊断方法，包括以下步骤：步骤S1:采集水轮机组振动信号，并通过奇异值分解进行降噪，得到降噪后的振动信号；步骤S2：进行可变模态分解，得到各独立频段的IMF分量；步骤S3:量求取CWD时频矩阵，获得振动信号时频谱图；步骤S4:生成降维后的时频谱图，并随机分为训练样本集和测试样本集；步骤S5:构建CNN模型，并通过测试样本集测试训练后的CNN的分类性能；步骤S6:将待测水轮机组振动信号时频图输入训练后的CNN模型，得到表征数据类型的故障标签。本发明通过对水轮机组振动信号构造时频矩阵，完整地表征了振动信号的时频特征，包含信号本质特征的局部化信息。
-
Patent Agency Ranking
公开(公告)号：CN109784310B
公开(公告)日：2020-12-04
申请号：CN201910106304.9
申请日：2019-02-02
Applicant: 福州大学
Abstract: 本发明涉及配电网技术领域，具体为一种基于CEEMDAN及加权时频熵的配电开关机械故障特征提取方法，包括步骤1，通过加速度或速度信号数据采集系统获取振动信号；步骤2，通过CEEMDAN方法分解振动信号以获取振动信号的各阶IMF分量；步骤3，通过Hilbert变换获取各阶IMF分量分别对应的瞬时频率；步骤4，通过带通滤波方法结合瞬时频率对IMF分量进行等频带划分以构造出规定带宽的时频矩阵；步骤5，在时域方向对时频矩阵进行等间距划分以获得分块时频矩阵，并求取各分块时频矩阵的能量值以构造分块能量矩阵。本发明鉴于各频带时间序列复杂度存在的差异，提出以各频带归一化的样本熵为权值，分别从时域和频域方向归一化的能量矩阵中提取加权时频熵以增强特征的表征能力。
-
公开(公告)号：CN109784310A
公开(公告)日：2019-05-21
申请号：CN201910106304.9
申请日：2019-02-02
Applicant: 福州大学
Abstract: 本发明涉及配电网技术领域，具体为一种基于CEEMDAN及加权时频熵的配电开关机械故障特征提取方法，包括步骤1，通过加速度或速度信号数据采集系统获取振动信号；步骤2，通过CEEMDAN方法分解振动信号以获取振动信号的各阶IMF分量；步骤3，通过Hilbert变换获取各阶IMF分量分别对应的瞬时频率；步骤4，通过带通滤波方法结合瞬时频率对IMF分量进行等频带划分以构造出规定带宽的时频矩阵；步骤5，在时域方向对时频矩阵进行等间距划分以获得分块时频矩阵，并求取各分块时频矩阵的能量值以构造分块能量矩阵。本发明鉴于各频带时间序列复杂度存在的差异，提出以各频带归一化的样本熵为权值，分别从时域和频域方向归一化的能量矩阵中提取加权时频熵以增强特征的表征能力。
-
公开(公告)号：CN109948597A
公开(公告)日：2019-06-28
申请号：CN201910343234.9
申请日：2019-04-26
Applicant: 福州大学
IPC: G06K9/00 , G01R31/327 , G01M13/00 , G06N3/04
Abstract: 本发明涉及一种高压断路器机械故障诊断方法。首先，通过采集装置获取高压断路器振动信号；接着，对振动信号进行CEEMDAN分解，并采用基于Hilbert变换与带通滤波相结合的频带划分方法构造等带宽的时频矩阵；其次，划分时段构造分块能量矩阵，并分别在时域方向和频域方向归一化的能量矩阵中提取时频熵；再者，采用正态累积分布函数（NCDF）对各频带振动信号进行归一化处理，提取各分块时频矩阵的奇异熵；最后，采用集成极限学习机作为分类器用于小样本高压断路器机械故障的识别。通过实例验证，本发明方法具有较高的辨识度。
-
公开(公告)号：CN109948597B
公开(公告)日：2022-06-07
申请号：CN201910343234.9
申请日：2019-04-26
Applicant: 福州大学
IPC: G06K9/00 , G01R31/327 , G01M13/00 , G06N3/04
Abstract: 本发明涉及一种高压断路器机械故障诊断方法。首先，通过采集装置获取高压断路器振动信号；接着，对振动信号进行CEEMDAN分解，并采用基于Hilbert变换与带通滤波相结合的频带划分方法构造等带宽的时频矩阵；其次，划分时段构造分块能量矩阵，并分别在时域方向和频域方向归一化的能量矩阵中提取时频熵；再者，采用正态累积分布函数（NCDF）对各频带振动信号进行归一化处理，提取各分块时频矩阵的奇异熵；最后，采用集成极限学习机作为分类器用于小样本高压断路器机械故障的识别。通过实例验证，本发明方法具有较高的辨识度。
-
公开(公告)号：CN109977920A
公开(公告)日：2019-07-05
申请号：CN201910289197.8
申请日：2019-04-11
Applicant: 福州大学
Abstract: 本发明涉及一种基于时频谱图及卷积神经网络的水轮机组故障诊断方法，包括以下步骤：步骤S1:采集水轮机组振动信号，并通过奇异值分解进行降噪，得到降噪后的振动信号；步骤S2：进行可变模态分解，得到各独立频段的IMF分量；步骤S3:量求取CWD时频矩阵，获得振动信号时频谱图；步骤S4:生成降维后的时频谱图，并随机分为训练样本集和测试样本集；步骤S5:构建CNN模型，并通过测试样本集测试训练后的CNN的分类性能；步骤S6:将待测水轮机组振动信号时频图输入训练后的CNN模型，得到表征数据类型的故障标签。本发明通过对水轮机组振动信号构造时频矩阵，完整地表征了振动信号的时频特征，包含信号本质特征的局部化信息。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
