-
公开(公告)号：CN110647830B
公开(公告)日：2021-12-03
申请号：CN201910867265.4
申请日：2019-09-12
Applicant: 华中科技大学
IPC: G06K9/00 , G06K9/62 , G06N3/08 , G01M13/045
Abstract: 本发明属于故障诊断领域，并公开了基于卷积神经网络和高斯混合模型的轴承故障诊断方法。该方法包括：(a)对于旋转机械轴承，采集不同故障工况下的振动信号形成数据集,构建初始卷积神经网络模型；(b)训练每个故障类型对应的初始卷积神经网络模型；(c)采用最终卷积神经网络模型对振动信号输入进行特征提取，以此获得所有故障类型对应的一维特征数据，并形成一维特征数据集；(d)采用高斯混合模型、贝叶斯网络框架和EM算法获得用于诊断故障类型的最终的图模型；(e)对于待诊断振动信号，利用最终的图模型诊断待诊断振动信号对应的故障类型，以此实现故障的诊断。通过本发明，实现图模型实现故障诊断，提高了故障诊断的准确性。
-
公开(公告)号：CN112633362B
公开(公告)日：2024-03-29
申请号：CN202011518014.4
申请日：2020-12-21
Applicant: 华中科技大学
IPC: G06F18/2433 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种旋转机械自适应故障诊断方法、装置、设备及介质，属于旋转机械故障诊断技术领域，方法包括：收集旋转机械各种状态数据，对状态数据进行标注，并构建训练数据集；构建基于Cap‑net的故障诊断模型，利用训练数据集对模型进行训练；构建基于深度强化学习的自适应学习框架，并初始化自适应学习框架，设计标注方法和奖赏规则；基于建立的自适应学习框架，实现对旋转机械在线数据的诊断和对target网络的更新，获得最终的故障诊断模型；测试故障诊断模型，输出测试结果。如此，本发明不仅实现了旋转机械的在线状态诊断，还实现了故障诊断模型性能的提升，并且降低了模型训练过程中获取和标注数据样本的成本。
-
公开(公告)号：CN110389176B
公开(公告)日：2020-09-18
申请号：CN201910620495.0
申请日：2019-07-10
Applicant: 华中科技大学
Abstract: 本发明属于复合材料结构疲劳损伤检测相关技术领域，其公开了一种碳纤维增强基复合材料结构的疲劳损伤诊断方法，该方法包括以下步骤：(1)根据确定的致动频段向碳纤维增强基复合材料试样发射导波并采集导波信号；(2)以健康状态下的导波为基准来确定导波信号的损伤指数，继而基于损伤指数来自动对导波信号进行标签；(3)利用连续小波变换方法对导波信号进行处理以得到CWT图，并构建卷积神经网络模型，进而对卷积神经网络模型进行训练，以得到疲劳损伤诊断模型；(4)将待测碳纤维增强基复合材料结构中传播的导波对应的CWT图输入到疲劳损伤诊断模型，以进行疲劳损伤诊断。本发明提高了精度和适用性，灵活性较好。
-
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：CN109489946A
公开(公告)日：2019-03-19
申请号：CN201811104967.9
申请日：2018-09-21
Applicant: 华中科技大学
CPC classification number: G01M13/00 , G06K9/00503 , G06K9/00523 , G06K9/00536 , G06K9/6259 , G06N3/0454 , G06N3/08
Abstract: 本发明属于机械设备状态监测与故障诊断相关技术领域，其公开了一种旋转机械的故障诊断方法及系统，该方法包括以下步骤：(1)采集到的待诊断旋转机械的振动信号划分为前后衔接的多个数据段，并计算得到每个数据段对应的小波时频图像；(2)对所有小波时频图像进行随机划分和归一化处理以得到训练集及测试集，并根据预定的测试指标来确定所述训练集中标记样本的个数；(3)依序使用所述训练集及所述测试集对预先建立的半监督生成对抗网络进行训练和测试，并采用训练好的所述半监督生成对抗网络对待诊断旋转机械进行故障诊断，且输出故障诊断结果。本发明提高了诊断准确率，极大地降低了人工成本，稳定性较好。
-
Patent Agency Ranking
公开(公告)号：CN112633362A
公开(公告)日：2021-04-09
申请号：CN202011518014.4
申请日：2020-12-21
Applicant: 华中科技大学
Abstract: 本发明公开了一种旋转机械自适应故障诊断方法、装置、设备及介质，属于旋转机械故障诊断技术领域，方法包括：收集旋转机械各种状态数据，对状态数据进行标注，并构建训练数据集；构建基于Cap‑net的故障诊断模型，利用训练数据集对模型进行训练；构建基于深度强化学习的自适应学习框架，并初始化自适应学习框架，设计标注方法和奖赏规则；基于建立的自适应学习框架，实现对旋转机械在线数据的诊断和对target网络的更新，获得最终的故障诊断模型；测试故障诊断模型，输出测试结果。如此，本发明不仅实现了旋转机械的在线状态诊断，还实现了故障诊断模型性能的提升，并且降低了模型训练过程中获取和标注数据样本的成本。
-
公开(公告)号：CN110647830A
公开(公告)日：2020-01-03
申请号：CN201910867265.4
申请日：2019-09-12
Applicant: 华中科技大学
IPC: G06K9/00 , G06K9/62 , G06N3/08 , G01M13/045
Abstract: 本发明属于故障诊断领域，并公开了基于卷积神经网络和高斯混合模型的轴承故障诊断方法。该方法包括：(a)对于旋转机械轴承，采集不同故障工况下的振动信号形成数据集,构建初始卷积神经网络模型；(b)训练每个故障类型对应的初始卷积神经网络模型；(c)采用最终卷积神经网络模型对振动信号输入进行特征提取，以此获得所有故障类型对应的一维特征数据，并形成一维特征数据集；(d)采用高斯混合模型、贝叶斯网络框架和EM算法获得用于诊断故障类型的最终的图模型；(e)对于待诊断振动信号，利用最终的图模型诊断待诊断振动信号对应的故障类型，以此实现故障的诊断。通过本发明，实现图模型实现故障诊断，提高了故障诊断的准确性。
-
公开(公告)号：CN110389176A
公开(公告)日：2019-10-29
申请号：CN201910620495.0
申请日：2019-07-10
Applicant: 华中科技大学
Abstract: 本发明属于复合材料结构疲劳损伤检测相关技术领域，其公开了一种碳纤维增强基复合材料结构的疲劳损伤诊断方法，该方法包括以下步骤：(1)根据确定的致动频段向碳纤维增强基复合材料试样发射导波并采集导波信号；(2)以健康状态下的导波为基准来确定导波信号的损伤指数，继而基于损伤指数来自动对导波信号进行标签；(3)利用连续小波变换方法对导波信号进行处理以得到CWT图，并构建卷积神经网络模型，进而对卷积神经网络模型进行训练，以得到疲劳损伤诊断模型；(4)将待测碳纤维增强基复合材料结构中传播的导波对应的CWT图输入到疲劳损伤诊断模型，以进行疲劳损伤诊断。本发明提高了精度和适用性，灵活性较好。
-
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：CN108520320A
公开(公告)日：2018-09-11
申请号：CN201810287783.4
申请日：2018-03-30
Applicant: 华中科技大学
Abstract: 本发明属于机械设备状态监测和寿命预测技术领域，并公开了一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法，包括以下步骤：1)获取机械设备的多种监测信号，并对采集的监测信号进行预处理；2)对监测信号进行筛选，选取能较好反应机械设备退化过程的信号；3)构建多重长短期记忆网络模型实现多个网络同步训练；4)将传感器实时采集的信号输入到多重长短期记忆网络模型中，多个网络进行并行预测，得到预测结果；5)利用经验贝叶斯算法对预测结果的概率分布进行估计，推断出最可能的设备剩余使用寿命。本发明能够对机械设备的剩余使用寿命进行实时精确预测，实现机械设备故障的提前感知，保障机械设备的安全、稳定、长周期运行。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.026 seconds)
