-
公开(公告)号：CN115406656B
公开(公告)日：2024-08-02
申请号：CN202211042702.7
申请日：2022-08-29
Applicant: 桂林电子科技大学
IPC: G01M13/045 , G06F30/27 , G06F30/17 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及智能诊断技术领域，提供一种轴承锈蚀智能诊断方法，该方法通过采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据；按初始设定的比例截断，得到训练集和测试集，灰度化处理后，构建基于ECA‑Net与EfficientNet的轴承锈蚀智能诊断模型，输入模型中进行训练，损失函数优化神经网络中参数的权重和偏置；判断迭代次数是否达到初始设定的值，得到最优模型，能够通过对网络深度、网络宽度以及输入分辨率这三个维度进行有效缩放，得到更好的智能诊断模型；提高轴承锈蚀智能诊断模型的性能，将该方法和系统用于诊断轴承的锈蚀故障，能够实现对轴承健康状态及锈蚀严重程度进行准确评估，提高智能化和准确率。
-
公开(公告)号：CN115406655B
公开(公告)日：2024-08-02
申请号：CN202211042367.0
申请日：2022-08-29
Applicant: 桂林电子科技大学
IPC: G01M13/045 , G06F30/27 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及智能诊断技术领域，提供一种轴承智能故障诊断模型建立方法，根据比例值将原始信号数据截断为训练集数据和测试集数据；按照初始设定的单个样本的采样点数SL，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量SO，并截取下一个样本，生成训练集和测试集；将处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，不仅能够在轴承智能故障诊断模型建立时，通过将轴承振动的原始信号数据通过截断成两部分独立的数据，能够完全避免训练集和测试集数据交叉造成的数据泄露；实现同时对轴承故障类型及故障严重程度的判断和输出，准确率高，效率高。
-
公开(公告)号：CN113139251B
公开(公告)日：2023-03-14
申请号：CN202110440436.2
申请日：2021-04-23
Applicant: 桂林电子科技大学
IPC: G06F30/17 , G06F30/27 , G06F17/16 , G06F111/06 , G06F119/02 , G06F119/04
Abstract: 本发明公开了一种优化主题相关性分析的变工况滚动轴承故障诊断方法，所述方法为：首先通过小波变换对源领域与目标领域滚动轴承振动信号进行特征提取，并构建特征向量组成故障样本集；再通过调整果蝇优化算法中味道浓度判定值的取值并采用多种群的策略，实现对TCA算法中取值范围有限制的主要参数总主题数与共有主题比例的寻优；最后构建改进的多种群果蝇优化算法优化主题相关性分析IFOA‑TCA的故障识别模型，实现其他工况下滚动轴承振动数据对故障识别器的训练以及训练后故障识别器对目标滚动轴承的故障识别。这种方法在各种工况条件下均能取得较好的故障诊断结果，具有较好的工程价值和应用前景。
-
公开(公告)号：CN115406655A
公开(公告)日：2022-11-29
申请号：CN202211042367.0
申请日：2022-08-29
Applicant: 桂林电子科技大学
IPC: G01M13/045 , G06F30/27 , G06N3/08
Abstract: 本发明涉及智能诊断技术领域，提供一种轴承智能故障诊断模型建立方法，根据比例值将原始信号数据截断为训练集数据和测试集数据；按照初始设定的单个样本的采样点数SL，在截断后的振动数据初始位置处截取第一个样本，从初始位置处确定移动一个采样偏移量SO，并截取下一个样本，生成训练集和测试集；将处理后训练集样本输入神经网络模型中进行训练，通过损失函数优化神经网络中参数的权重和偏置，不仅能够在轴承智能故障诊断模型建立时，通过将轴承振动的原始信号数据通过截断成两部分独立的数据，能够完全避免训练集和测试集数据交叉造成的数据泄露；实现同时对轴承故障类型及故障严重程度的判断和输出，准确率高，效率高。
-
公开(公告)号：CN113139251A
公开(公告)日：2021-07-20
申请号：CN202110440436.2
申请日：2021-04-23
Applicant: 桂林电子科技大学
IPC: G06F30/17 , G06F30/27 , G06F17/16 , G06F111/06 , G06F119/02 , G06F119/04
Abstract: 本发明公开了一种优化主题相关性分析的变工况滚动轴承故障诊断方法，所述方法为：首先通过小波变换对源领域与目标领域滚动轴承振动信号进行特征提取，并构建特征向量组成故障样本集；再通过调整果蝇优化算法中味道浓度判定值的取值并采用多种群的策略，实现对TCA算法中取值范围有限制的主要参数总主题数与共有主题比例的寻优；最后构建改进的多种群果蝇优化算法优化主题相关性分析IFOA‑TCA的故障识别模型，实现其他工况下滚动轴承振动数据对故障识别器的训练以及训练后故障识别器对目标滚动轴承的故障识别。这种方法在各种工况条件下均能取得较好的故障诊断结果，具有较好的工程价值和应用前景。
-
Patent Agency Ranking
公开(公告)号：CN113959719B
公开(公告)日：2024-05-14
申请号：CN202111161477.4
申请日：2021-09-30
Applicant: 桂林电子科技大学
IPC: G01M13/045
Abstract: 本发明公开了一种基于SOT‑SVM的变工况滚动轴承故障诊断方法，所述方法首先采用小波变换提取滚动轴承振动数据中的故障特征，构建故障样本集，再对源领域及目标领域轴承故障样本集进行聚类，生成源领域与目标领域故障样本数据的子结构，并自适应的对源领域数据子结构赋予不同权重，目标领域数据子结构赋予相同权重，完成对源领域数据子结构的映射，最后，利用映射的源领域数据子结构及其所对应的标签，通过对处理小样本问题更有优势的支持向量机模型，实现了对目标工况滚动轴承的故障诊断。这种方法在各工况条件下均能取得良好的诊断性能，具有较好的工程价值和应用前景。
-
公开(公告)号：CN116561517A
公开(公告)日：2023-08-08
申请号：CN202310590618.7
申请日：2023-05-24
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06F18/10 , G06F18/2131 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/092 , G06N3/084 , G06F17/11
Abstract: 本发明公开了基于奖励优化深度强化学习不平衡智能故障定量诊断方法，通过同步压缩小波变换(简称SWT)获得多通道时频表示(TFRs)以避免原始振动信号的非平稳性。引入ResNet构建表演者网络，用于提取有代表性的深层故障特征，以提高故障诊断的准确性；同时利用AlexNet构建批评者网络，根据评价机制引导表演者向正确方向训练。该模型基于不平衡比巧妙设计了合理实用的奖励函数，并将各类中心之间的最小距离作为奖励的实时反馈，进一步提高模型的稳健性。优化的状态转移函数提高了少数类的学习频率。通过SQ滚动轴承数据集的验证，ResDPG能够独立自主地实现准确的故障定量识别，具有很高的稳定性。
-
公开(公告)号：CN115420502A
公开(公告)日：2022-12-02
申请号：CN202211080832.X
申请日：2022-09-05
Applicant: 桂林电子科技大学
IPC: G01M13/04 , G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明涉及智能诊断技术领域，提供一种轴承故障智能诊断模型、方法和系统，包括，第一子模型、第二子模型、第三子模型、第四子模型，第一子模型、第三子模型分别与第二子模型连接；所述第一子模型包括串联的二维卷积模块、BN批量归一化模块、Swish激活函数模块、SENet模块；所述第二子模型包括形成堆叠连接多个模块；第三子模型包括形成堆叠连接的多个模块；第四子模型包括串联的1个卷积层、1个全局平均池化以及1个全连接层；通过构建不同连接方式的神经网络结构，提取轴承振动数据样本特征，从而改善注意力不够集中、特征提取不够合理等问题，进而能够准确地识别出轴承故障特征、轴承故障的严重程度、是否采用对应的维护措施。
-
公开(公告)号：CN116541793A
公开(公告)日：2023-08-04
申请号：CN202310607197.4
申请日：2023-05-26
Applicant: 桂林电子科技大学 , 南宁桂电电子科技研究院有限公司
IPC: G06F18/2433 , G06F18/214 , G06N3/0464 , G06N3/092 , G01M13/045
Abstract: 本发明公开了基于轻量注意力深度强化学习的故障定量诊断方法，首先，原始一维振动信号经过同步压缩小波变换，构建二维多通道时频图，为智能体提供高质量模拟环境。其次，卷积块注意模块嵌入ResNet构建Q网络来提高图像中故障关键区域的显著性，并通过∈‑贪心算法在连续试错中学习潜在空间的高阶判别特征。同时，利用不平衡率构建特定任务奖励函数，轮廓系数通过评估类内距离和类间距来定义模型的反馈，并利用模型的实时反馈来及时微调奖励函数，进一步提高模型稳定性。对状态转移函数动态地改进和完善模型，直至收敛，并保存最佳网络结构和超参数，用于故障诊断。自主独立地实现了准确的定量故障识别，具有很强的有效性、稳定性和通用性。
-
公开(公告)号：CN115406656A
公开(公告)日：2022-11-29
申请号：CN202211042702.7
申请日：2022-08-29
Applicant: 桂林电子科技大学
IPC: G01M13/045 , G06F30/27 , G06F30/17 , G06N3/04 , G06N3/08
Abstract: 本发明涉及智能诊断技术领域，提供一种轴承锈蚀智能诊断方法，该方法通过采集滚动轴承在正常、轻微锈蚀、重度锈蚀三种状态下的原始振动数据；按初始设定的比例截断，得到训练集和测试集，灰度化处理后，构建基于ECA‑Net与EfficientNet的轴承锈蚀智能诊断模型，输入模型中进行训练，损失函数优化神经网络中参数的权重和偏置；判断迭代次数是否达到初始设定的值，得到最优模型，能够通过对网络深度、网络宽度以及输入分辨率这三个维度进行有效缩放，得到更好的智能诊断模型；提高轴承锈蚀智能诊断模型的性能，将该方法和系统用于诊断轴承的锈蚀故障，能够实现对轴承健康状态及锈蚀严重程度进行准确评估，提高智能化和准确率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
