-
公开(公告)号：CN109597315A
公开(公告)日：2019-04-09
申请号：CN201811281339.8
申请日：2018-10-31
Applicant: 华中科技大学
IPC: G05B17/02
Abstract: 本发明公开了一种机械设备健康退化状态辨识方法、设备及系统，属于机械状态监测和健康退化状态辨识领域。该方法先获取机械设备的多种监测信号，提取其时域特征、功率谱特征及本征模态能量特征，然后利用GSOM网络对上述特征进行融合，得到其融合特征，再构建GenSVM模型，利用上述融合特征数据对GenSVM模型进行训练，获得测试模型，最后实时采集待测机械设备的多种监测信号，获取上述信号的将融合特征数据输入到测试模型中，得到健康退化状态辨识结果。本发明的上述方法以及基于上述方法的设备和系统能够对机械设备的健康退化状态进行实时精确辨识，实现机械设备的状态实时监测，保障数控机床的安全、稳定、长周期运行。
-
公开(公告)号：CN115771165B
公开(公告)日：2024-06-04
申请号：CN202211559797.X
申请日：2022-12-06
Applicant: 华中科技大学
IPC: B25J19/00
Abstract: 本发明公开了一种无故障样本下工业机器人故障检测与定位方法，利用连续小波变化提取出工业机器人非平稳信号的时间和频率等多个尺度时频域特征；采用残差收缩网络来消除隐藏在小波时频特征中的噪声特征，并提取有代表性的特征；构建特征样本对来揭示健康状态的独一属性和共有属性；建立多头注意机制关系网络计算特征样本对间的相似关系，以确定其状态类型；构建辅助样本库来辅助本发明的方法提取出更加具有代表性和可靠的机器人的健康特征。本发明实现了在无故障样本下对工业机器人故障精准检测与定位，克服了数据驱动的故障检测与定位方法对故障样本的严重依赖，对保障工业机器人高性能长寿命安全可靠稳定运行具有重大工程应用价值。
-
公开(公告)号：CN110427974A
公开(公告)日：2019-11-08
申请号：CN201910614733.7
申请日：2019-07-09
Applicant: 华中科技大学
IPC: G06K9/62
Abstract: 本发明属于设备状态监测相关技术领域，其公开了一种基于广义支持向量机的液压部件健康状态检测方法，该方法包括以下步骤：(1)获取多组样本液压部件处于不同健康状态下的传感器信号以作为样本数据，且同时获得对应的的健康状态数据；(2)计算所得到的特征数据与所述健康状态数据之间的相关性，并选取训练特征；(3)采用堆叠集成学习方法构建多个广义支持向量机模型，并采用所述广义支持向量机模型训练过程中所输出的数据来训练得到随机森林模型，由此得到了广义支持向量机检测模型；(4)将得到的待测液压部件的实时传感器信号数据输入到所述广义支持向量机检测模型，以进行健康状态检测。本发明提高了检测精度及灵活性，适用性较强。
-
Patent Agency Ranking
公开(公告)号：CN112633339A
公开(公告)日：2021-04-09
申请号：CN202011466643.7
申请日：2020-12-14
Applicant: 华中科技大学
Abstract: 本发明属于故障诊断技术领域，公开了一种轴承故障智能诊断方法、诊断系统、计算机设备及介质，将源域数据和目标域数据分别转化为灰度图；利用残差网络特征提取器提取高维特征张量；于自适应层利用局部最大均方差(LMMD)自适应方法计算局部最大均值差异误差；将差异误差以及预测值与真实值之间的误差作为残差深度子域自适应故障诊断网络的优化对象训练残差深度子域自适应故障诊断网络；利用训练好的残差深度子域自适应故障诊断网络基于待测试的目标域数据进行轴承故障诊断。本发明引入LMMD来精确对齐源域和目标域中同一类别内相关子域的分布，从而为每一类别挖掘出更细粒度的特征，继而能够提高故障诊断精度。
-
公开(公告)号：CN109597315B
公开(公告)日：2020-08-18
申请号：CN201811281339.8
申请日：2018-10-31
Applicant: 华中科技大学
IPC: G05B17/02
Abstract: 本发明公开了一种机械设备健康退化状态辨识方法、设备及系统，属于机械状态监测和健康退化状态辨识领域。该方法先获取机械设备的多种监测信号，提取其时域特征、功率谱特征及本征模态能量特征，然后利用GSOM网络对上述特征进行融合，得到其融合特征，再构建GenSVM模型，利用上述融合特征数据对GenSVM模型进行训练，获得测试模型，最后实时采集待测机械设备的多种监测信号，获取上述信号的将融合特征数据输入到测试模型中，得到健康退化状态辨识结果。本发明的上述方法以及基于上述方法的设备和系统能够对机械设备的健康退化状态进行实时精确辨识，实现机械设备的状态实时监测，保障数控机床的安全、稳定、长周期运行。
-
公开(公告)号：CN115771165A
公开(公告)日：2023-03-10
申请号：CN202211559797.X
申请日：2022-12-06
Applicant: 华中科技大学
IPC: B25J19/00
Abstract: 本发明公开了一种无故障样本下工业机器人故障检测与定位方法，利用连续小波变化提取出工业机器人非平稳信号的时间和频率等多个尺度时频域特征；采用残差收缩网络来消除隐藏在小波时频特征中的噪声特征，并提取有代表性的特征；构建特征样本对来揭示健康状态的独一属性和共有属性；建立多头注意机制关系网络计算特征样本对间的相似关系，以确定其状态类型；构建辅助样本库来辅助本发明的方法提取出更加具有代表性和可靠的机器人的健康特征。本发明实现了在无故障样本下对工业机器人故障精准检测与定位，克服了数据驱动的故障检测与定位方法对故障样本的严重依赖，对保障工业机器人高性能长寿命安全可靠稳定运行具有重大工程应用价值。
-
公开(公告)号：CN110245745B
公开(公告)日：2021-08-03
申请号：CN201910465467.6
申请日：2019-05-30
Applicant: 华中科技大学
Abstract: 本发明属于机械设备剩余使用寿命预测相关技术领域，其公开了一种基于集成双向循环神经网络的设备剩余使用寿命预测方法，该方法包括以下步骤：(1)获取样本设备的状态监测数据；(2)构建样本设备的多个具有不同网络结构的双向循环神经网络，基于所述状态监测数据依次对多个双向循环神经网络进行训练及校验，继而根据校验结果分类选择多个双向循环神经网络中预测效果排在前预定数量的双向循环神经网络；(3)采用集成学习算法对选择的双向循环神经网络进行集成以得到剩余使用寿命预测模型；(4)所述剩余使用寿命预测模型基于待预测设备的实时状态监测数据实时预测该待预测设备的剩余使用寿命。本发明提高了预测精度，灵活性较好。
-
公开(公告)号：CN110245745A
公开(公告)日：2019-09-17
申请号：CN201910465467.6
申请日：2019-05-30
Applicant: 华中科技大学
Abstract: 本发明属于机械设备剩余使用寿命预测相关技术领域，其公开了一种基于集成双向循环神经网络的设备剩余使用寿命预测方法，该方法包括以下步骤：(1)获取样本设备的状态监测数据；(2)构建样本设备的多个具有不同网络结构的双向循环神经网络，基于所述状态监测数据依次对多个双向循环神经网络进行训练及校验，继而根据校验结果分类选择多个双向循环神经网络中预测效果排在前预定数量的双向循环神经网络；(3)采用集成学习算法对选择的双向循环神经网络进行集成以得到剩余使用寿命预测模型；(4)所述剩余使用寿命预测模型基于待预测设备的实时状态监测数据实时预测该待预测设备的剩余使用寿命。本发明提高了预测精度，灵活性较好。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.019 seconds)
