-
公开(公告)号：CN116242605A
公开(公告)日：2023-06-09
申请号：CN202310094634.7
申请日：2023-02-06
Applicant: 山东科技大学
IPC: G01M13/028 , G01M13/021 , F03D17/00 , G06N3/048
Abstract: 本发明公开了一种基于非线性快速霍耶谱的齿轮故障诊断方法，涉及振动信号智能故障诊断技术领域，包括如下步骤：获取齿轮故障振动信号；对获取的齿轮故障振动信号进行Z‑score归一化处理，对归一化处理后的信号进行非线性激活；确定信号的最大分解层数K；根据1/3二叉树结构及最大分解层数K对激活后的信号进行频带划分，形成频率分割树状图；基于标准低通FIR滤波器构造低通滤波器和高通滤波器，并根据树状图迭代生成滤波器组；构建霍耶谱；根据最佳共振频带的中心频率及带宽构造带通滤波器，对激活后的信号进行滤波；对滤波后的信号进行平方包络计算，并根据平方包络谱对齿轮进行故障分析。本发明的诊断方法具有更好的准确性和鲁棒性。
-
公开(公告)号：CN115630334A
公开(公告)日：2023-01-20
申请号：CN202211320657.7
申请日：2022-10-26
Applicant: 山东科技大学
IPC: G06F18/25 , G06F18/241 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明属于机械故障数据识别技术领域，公开了基于CBAM的多通道特征融合的跨域机械故障诊断方法及应用。该方法包括：采用卷积神经网络对原始信号组成的灰度图进行初步特征提取，获得高层特征，利用全连接层模块对高层特征进行压缩；使用卷积块注意力模块再进行深层次的多传感器特征提取；再经过卷积块注意力模块对提取的多传感器特征进行融合，获得多传感器融合特征；将多传感器融合特征输入标签分类器获得故障诊断结果。本发明采用一种最新的多通道域适应的故障诊断方法，高效实现不同工况下轴承的智能故障诊断任务。
-
公开(公告)号：CN112345251B
公开(公告)日：2022-03-04
申请号：CN202011213791.8
申请日：2020-11-04
Applicant: 山东科技大学
IPC: G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08 , G06V10/762 , G06V10/764 , G06V10/82
Abstract: 本发明公开了一种基于信号分辨率增强的机械智能故障诊断方法，涉及机械故障诊断领域。基于信号分辨率增强的机械智能故障诊断方法通过对原始输入样本进行全连接操作，经过隐层特征映射输出四通道的低分辨率特征；通过亚像素全连接层，将四通道的低分辨率特征进行周期性的排列，最终得到一组高分辨率特征，进而实现了样本分辨率的增强。最后设置了一组特殊的轴承实验来评估生成模型的性能，实验结果验证了ESPFCN框架的有效性，并通过可视化展示了ESPFCN的特征学习过程。
-
公开(公告)号：CN113743585A
公开(公告)日：2021-12-03
申请号：CN202110940661.2
申请日：2021-08-17
Applicant: 山东科技大学
IPC: G06N3/04 , G06K9/62 , G06K9/00 , G01M13/045
Abstract: 本发明公开了一种基于快速非线性盲解卷积的旋转机械早期故障诊断方法，涉及基于振动信号的旋转机械早期故障诊断技术领域。方法包括以下步骤：输入信号前处理：对采集的振动信号样本进行Z‑Score归一化，确定滤波器的长度并构造故障信号的Hankel矩阵。非线性特征激活：确定尺度因子和平移因子，通过广义非线性Sigmoid函数，对样本进行激活。构建目标函数：对特征向量进行L2范数归一化，约束滤波器能量，求出L1范数，并添加滤波器L1/2范数惩罚项，构造出目标函数。模型训练并输出故障特征；故障类型诊断。本发明通过最小化特征向量的广义非线性L1/2范数，并引入L1/2范数惩罚项并约束滤波器能量，具有更好的噪声适应能力、计算效率和鲁棒性。
-
公开(公告)号：CN119413312A
公开(公告)日：2025-02-11
申请号：CN202411598212.4
申请日：2024-11-11
Applicant: 山东科技大学
Abstract: 本发明属于带式输送机技术领域，具体公开了一种带式输送机沿线测温系统及方法。该设备及方法，将无源RFID测温传感器布置于带式输送机的托辊架上，无源RFID测温传感器与托辊架对应，无源RFID测温传感器实时感测带式输送机托辊架的温度，由托辊架的温度反应托辊的温度，牵引装置带动读卡器在带式输送机的机头和机尾之间移动；读卡器移动至任意一个无源RFID测温传感器的感应范围时，读取该无源RFID测温传感器的SN码及其监测的温度数据；读卡器移动至无线接收器的感应范围时，读卡器将读取的SN码及温度数据传送至无线接收器；上位机处理无线接收器接受到的SN码及温度数据并输出反馈信息；如此，以实现对带式输送机沿线机架关键部位温度的及时监测，且实现成本较低，具有较高的推广应用价值。
-
Patent Agency Ranking
公开(公告)号：CN118568549A
公开(公告)日：2024-08-30
申请号：CN202411025366.4
申请日：2024-07-30
Applicant: 山东科技大学
IPC: G06F18/24 , G06F18/2131 , G06F18/15 , G01M13/045
Abstract: 本发明公开了基于熵特征与稀疏滤波网络的轴承声信号故障诊断方法，涉及旋转设备故障诊断领域，包括：采集目标轴承声信号；信号分解为IMF分量；评价指标筛选IMF分量；信号重构；提取小波包能量熵特征；特征集划分；训练稀疏滤波网络模型；测试稀疏滤波网络模型；故障诊断。本发明对轴承声信号进行EEMD获得若干个本征模态函数IMF，并根据评价指标选出能够表征原始信号状态的分量进行信号重构，利用小波包分解技术对重构信号进行处理，提取其能量熵特征；最后将能量熵特征以重叠方式划分为训练样本和测试样本，用训练样本训练稀疏滤波网络模型，并用测试样本进行测试。当模型训练完成后用于故障诊断，可实现对目标机械新获取的声信号数据进行故障分类。
-
公开(公告)号：CN115630334B
公开(公告)日：2024-05-03
申请号：CN202211320657.7
申请日：2022-10-26
Applicant: 山东科技大学
IPC: G06F18/25 , G06F18/241 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明属于机械故障数据识别技术领域，公开了基于CBAM的多通道特征融合的跨域机械故障诊断方法及应用。该方法包括：采用卷积神经网络对原始信号组成的灰度图进行初步特征提取，获得高层特征，利用全连接层模块对高层特征进行压缩；使用卷积块注意力模块再进行深层次的多传感器特征提取；再经过卷积块注意力模块对提取的多传感器特征进行融合，获得多传感器融合特征；将多传感器融合特征输入标签分类器获得故障诊断结果。本发明采用一种最新的多通道域适应的故障诊断方法，高效实现不同工况下轴承的智能故障诊断任务。
-
公开(公告)号：CN114861749A
公开(公告)日：2022-08-05
申请号：CN202210236017.1
申请日：2022-03-11
Applicant: 山东科技大学
IPC: G06K9/62 , G01M13/045
Abstract: 本发明公开了一种基于深度原型网络的少样本轴承故障诊断方法，涉及轴承故障诊断技术技术领域，包括：支持集原型计算：采用改进的k‑means++聚类算法计算支持集中每个故障类别的原型；查询集判别分类：将支持集原型应用到查询集的判别分类中；查询集样本聚合：构造原型损失；测试集样本测试：测试集样本经过更新后的特征提取器处理后，将与每个已知故障类别的原型进行距离测量。本发明利用特征聚类算法k‑means++计算每个已知类的原型，通过计算标记后的目标样本到原型的欧氏距离，将标记后的目标样本分配到距离最近的原型类中。还构造原型损失以增强故障标记样本与对应原型之间的紧凑性，既可识别已知故障类别样本，又能有效地剔除来自未知类别的故障样本。
-
公开(公告)号：CN112487890B
公开(公告)日：2022-03-04
申请号：CN202011285521.8
申请日：2020-11-17
Applicant: 山东科技大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G01M13/045
Abstract: 本发明提供了一种基于并行稀疏滤波的轴承声信号故障诊断方法，A、建立用于故障诊断结果的分类样本：选取若干不同健康状态的轴承作为训练样本，对各种状况轴承署名相应状况标签，通过非接触式的声传感器采集不同状况轴承旋转时的声信号；采用固定步长的卷积操作对声信号样本做逐步取段处理，组成训练样本集；将训练样本集输入并行稀疏滤波模型中训练出权值矩阵；将所有提取的最终特征及其相应状况标签，输入到softmax分类器中得出用于故障诊断结果的分类样本；B、对检测工件进行状况类型诊断：将检测样本通过softmax回归模型与全部分类样本进行一一对照拟合，对比出最相似的分类样本，相应的状况标签即为检测样本的状况类型。
-
公开(公告)号：CN111060318A
公开(公告)日：2020-04-24
申请号：CN202010019989.6
申请日：2020-01-09
Applicant: 山东科技大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于深度对抗迁移网络的轴承故障诊断方法，涉及旋转机械振动信号的故障诊断技术领域。该诊断方法首先获取轴承在不同工况下(不同转速、载荷)的振动频谱信号，以某一工况下有标签的数据为源域数据，其它工况下无标签的数据为目标域数据；然后建立基于生成对抗神经网络的深度对抗迁移模型进行数据训练，采用两个生成器作为源域与目标域的特征提取网络，Softmax交叉熵作为故障分类器，另外采用判别器为域判别网络，添加梯度反转层进行域判别训练；最后，采用剩余的目标域数据进行网络测试。本发明通过采用生成对抗神经网络的结构建立了深度对抗迁移模型，高效可靠的实现了不同工况下轴承的故障特征迁移学习和智能诊断。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.028 seconds)
