-
公开(公告)号：CN107271127B
公开(公告)日：2019-07-09
申请号：CN201710499840.0
申请日：2017-06-27
Applicant: 华侨大学
Abstract: 本发明涉及一种基于自迭代主元抽取的一维及三维线性时不变结构工作模态参数识别方法、一种基于滑动窗自迭代主元抽取的线性时变结构工作模态参数识别方法、一种基于自迭代主元抽取工作模态参数识别的故障诊断与健康状态检测方法、工作模态参数识别的实验装置、工作模态参数识别装置。该工作模态参数识别装置将基于自迭代主元抽取的一维及三维工作模态参数识别方法、基于滑动窗自迭代主元抽取的线性时变结构工作模态参数识别方法和设备故障诊断与健康状态检测方法相结合，并开发成嵌入式便携装置。本发明能够有效在线检测线性工程结构的工作模态参数，且大大降低了时间和内存开销，更易用于设备故障诊断、健康监测以及系统结构在线实时分析与优化。
-
公开(公告)号：CN107357977A
公开(公告)日：2017-11-17
申请号：CN201710500228.0
申请日：2017-06-27
Applicant: 华侨大学
IPC: G06F17/50
Abstract: 本发明涉及一种基于二阶盲辨识的线性时不变结构工作模态参数识别方法及对应的时不变的工作模态参数识别的装置、一种结合二阶盲辨识和最小二乘广义逆方法的三维结构的工作模态参数识别方法及对应一种时不变三维圆柱壳工作模态参数识别的实验装置，一种时变的工作模态参数识别的方法和一种基于滑动窗二阶盲辨识的线性时变结构工作模态参数识别装置。该方法和装置仅由实测的响应信号就能对时不变或者带有时变特性的动态系统进行工作模态参数在线实时识别，识别出结构(系统)的工作模态参数(模态振型，模态频率)，能实时有效监测系统的动态变化特性，可用于振动控制、设备故障诊断、健康监测以及系统结构分析与优化。
-
公开(公告)号：CN106446502B
公开(公告)日：2019-04-26
申请号：CN201610576822.3
申请日：2016-07-21
Applicant: 华侨大学
IPC: G06F17/50
Abstract: 本发明公开了一种带遗忘因子的特征值特征向量递推的主元分析线性时变结构工作模态参数在线实时识别方法，该方法在经典主元分析线性时不变结构工作模态参数识别的基础上，引入“遗忘因子”、“在线递推”、“特征值特征向量递推”和“矩阵秩‑1修正”的思想，能够仅从非平稳振动响应信号中识别出线性时变结构的时变瞬态模态振型和固有频率。本发明是直接对特征值特征向量进行在线递推更新，避免了传统递推主元分析时变工作模态参数识别方法需要反复更新主元模型的缺点，减少了算法时间和空间复杂度，实现了时变工作模态参数识别的在线实时，能够有效监测结构工作模态参数的动态变化特性，可被用于设备故障诊断、健康监测以及系统结构分析与优化。
-
公开(公告)号：CN107271127A
公开(公告)日：2017-10-20
申请号：CN201710499840.0
申请日：2017-06-27
Applicant: 华侨大学
CPC classification number: G01M7/025 , G06F17/5018
Abstract: 本发明涉及一种基于自迭代主元抽取的一维及三维线性时不变结构工作模态参数识别方法、一种基于滑动窗自迭代主元抽取的线性时变结构工作模态参数识别方法、一种基于自迭代主元抽取工作模态参数识别的故障诊断与健康状态检测方法、工作模态参数识别的实验装置、工作模态参数识别装置。该工作模态参数识别装置将基于自迭代主元抽取的一维及三维工作模态参数识别方法、基于滑动窗自迭代主元抽取的线性时变结构工作模态参数识别方法和设备故障诊断与健康状态检测方法相结合，并开发成嵌入式便携装置。本发明能够有效在线检测线性工程结构的工作模态参数，且大大降低了时间和内存开销，更易用于设备故障诊断、健康监测以及系统结构在线实时分析与优化。
-
公开(公告)号：CN107357977B
公开(公告)日：2021-03-09
申请号：CN201710500228.0
申请日：2017-06-27
Applicant: 华侨大学
Abstract: 本发明涉及一种基于二阶盲辨识的线性时不变结构工作模态参数识别方法及对应的时不变的工作模态参数识别的装置、一种结合二阶盲辨识和最小二乘广义逆方法的三维结构的工作模态参数识别方法及对应一种时不变三维圆柱壳工作模态参数识别的实验装置，一种时变的工作模态参数识别的方法和一种基于滑动窗二阶盲辨识的线性时变结构工作模态参数识别装置。该方法和装置仅由实测的响应信号就能对时不变或者带有时变特性的动态系统进行工作模态参数在线实时识别，识别出结构(系统)的工作模态参数(模态振型，模态频率)，能实时有效监测系统的动态变化特性，可用于振动控制、设备故障诊断、健康监测以及系统结构分析与优化。
-
Patent Agency Ranking
公开(公告)号：CN106446502A
公开(公告)日：2017-02-22
申请号：CN201610576822.3
申请日：2016-07-21
Applicant: 华侨大学
IPC: G06F19/00
CPC classification number: G06F19/00
Abstract: 本发明公开了一种带遗忘因子的特征值特征向量递推的主元分析线性时变结构工作模态参数在线实时识别方法，该方法在经典主元分析线性时不变结构工作模态参数识别的基础上，引入“遗忘因子”、“在线递推”、“特征值特征向量递推”和“矩阵秩-1修正”的思想，能够仅从非平稳振动响应信号中识别出线性时变结构的时变瞬态模态振型和固有频率。本发明是直接对特征值特征向量进行在线递推更新，避免了传统递推主元分析时变工作模态参数识别方法需要反复更新主元模型的缺点，减少了算法时间和空间复杂度，实现了时变工作模态参数识别的在线实时，能够有效监测结构工作模态参数的动态变化特性，可被用于设备故障诊断、健康监测以及系统结构分析与优化。
-
公开(公告)号：CN112906282A
公开(公告)日：2021-06-04
申请号：CN202110313302.4
申请日：2018-05-07
Applicant: 华侨大学
Abstract: 本发明公开了Sanger神经网络并行主元抽取的工作模态参数识别方法和系统，采用等距特征映射的三维时不变结构工作模态参数识别方法。因为等距特征映射算法使用近地距离度量测点间的近邻关系，可以很好的表达三维结构中的非线性特征，因此该方法对复杂三维结构工作模态参数有着很好的识别效果，可用于设备故障诊断、健康监测以及系统结构分析与优化。还包括Sanger神经网络时不变结构工作模态参数识别方法，使用基于Sanger神经网络并行主元抽取工作模态参数识别方法。依据学习率和学习规则并行迭代得到多阶主成分，易于被嵌入到多核硬件，具有很高的工程价值。
-
公开(公告)号：CN108594660B
公开(公告)日：2021-04-30
申请号：CN201810428108.9
申请日：2018-05-07
Applicant: 华侨大学
IPC: G05B13/04
Abstract: 本发明公开了一种时不变结构的工作模态参数识别方法和系统，采用等距特征映射的三维时不变结构工作模态参数识别方法。因为等距特征映射算法使用近地距离度量测点间的近邻关系，可以很好的表达三维结构中的非线性特征，因此该方法对复杂三维结构工作模态参数有着很好的识别效果，可用于设备故障诊断、健康监测以及系统结构分析与优化。还包括Sanger神经网络时不变结构工作模态参数识别方法，使用基于Sanger神经网络并行主元抽取工作模态参数识别方法。依据学习率和学习规则并行迭代得到多阶主成分，易于被嵌入到多核硬件，具有很高的工程价值。
-
公开(公告)号：CN108594660A
公开(公告)日：2018-09-28
申请号：CN201810428108.9
申请日：2018-05-07
Applicant: 华侨大学
IPC: G05B13/04
Abstract: 本发明公开了一种时不变结构的工作模态参数识别方法和系统，采用等距特征映射的三维时不变结构工作模态参数识别方法。因为等距特征映射算法使用近地距离度量测点间的近邻关系，可以很好的表达三维结构中的非线性特征，因此该方法对复杂三维结构工作模态参数有着很好的识别效果，可用于设备故障诊断、健康监测以及系统结构分析与优化。还包括Sanger神经网络时不变结构工作模态参数识别方法，使用基于Sanger神经网络并行主元抽取工作模态参数识别方法。依据学习率和学习规则并行迭代得到多阶主成分，易于被嵌入到多核硬件，具有很高的工程价值。
-
公开(公告)号：CN112906282B
公开(公告)日：2023-05-26
申请号：CN202110313302.4
申请日：2018-05-07
Applicant: 华侨大学
IPC: G06F30/23 , G06F30/27 , G06F18/213 , G06N3/04 , G06N3/08 , G06F17/16 , G06F119/14
Abstract: 本发明公开了Sanger神经网络并行主元抽取的工作模态参数识别方法和系统，采用等距特征映射的三维时不变结构工作模态参数识别方法。因为等距特征映射算法使用近地距离度量测点间的近邻关系，可以很好的表达三维结构中的非线性特征，因此该方法对复杂三维结构工作模态参数有着很好的识别效果，可用于设备故障诊断、健康监测以及系统结构分析与优化。还包括Sanger神经网络时不变结构工作模态参数识别方法，使用基于Sanger神经网络并行主元抽取工作模态参数识别方法。依据学习率和学习规则并行迭代得到多阶主成分，易于被嵌入到多核硬件，具有很高的工程价值。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
