-
公开(公告)号：CN111191740B
公开(公告)日：2022-08-05
申请号：CN202010024877.X
申请日：2020-01-10
Applicant: 福州大学
IPC: G06K9/62 , G06K9/00 , G06N3/00 , G01M13/045
Abstract: 本发明涉及一种滚动轴承故障诊断方法，包括步骤：采集滚动轴承的不同故障状态信号；利用广义复合多尺度加权排列熵算法GCMWPE进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；利用监督等度规映射流形学习算法S‑Isomap对高维故障特征进行降维处理，获取其低维故障特征集；利用低维故障特征集对粒子群优化支持向量机PSO‑SVM进行训练，利用训练好的粒子群优化支持向量机PSO‑SVM进行故障诊断。本发明解决了滚动轴承故障特征提取困难的问题，能够有效、精准的诊断出滚动轴承各故障类型。
-
公开(公告)号：CN115204234A
公开(公告)日：2022-10-18
申请号：CN202210869189.2
申请日：2022-07-22
Applicant: 福州大学
Abstract: 本发明提供一种风力发电机故障诊断方法，具体涉及一种早期停止优化集合扩张卷积神经网络ESO‑EDCNN的风力发电机故障诊断方法。包括如下步骤：首先，利用加速度传感器采集风力发电机不同工作状态下的振动信号，将所采集的信号随机打乱，分为训练集和测试集。然后训练集被分为训练子集和验证子集，分别被用来训练和验证ESO‑EDCNN模型。最后，将测试集输入训练好的模型中，实现风力发电机智能故障诊断。本发明克服了单一诊断模型可靠性低，准确率低等问题，并解决了现有深度学习模型训练时间冗长且容易过拟合等难题。风力发电机故障诊断实验结果表明所提方法能够准确识别出多种单一/复合故障类型，具有很大的实用价值。
-
公开(公告)号：CN111238807A
公开(公告)日：2020-06-05
申请号：CN202010051670.1
申请日：2020-01-17
Applicant: 福州大学
IPC: G01M13/021 , G01M13/028 , G06K9/00 , G06K9/62 , G06N3/00
Abstract: 本发明涉及一种行星齿轮箱故障诊断方法。首先，利用樽海鞘群优化变分模态分解(SSO-VMD)对信号进行分解与重构。然后，从多域提取故障特征，并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)进行降维处理。最后，运用人工蜂群优化支持向量机(ABC-SVM)分类器进行诊断识别。本发明克服了VMD算法中的参数选取问题，解决了多域特征存在的信息冗余问题。行星齿轮箱故障诊断实验结果表明所提方法能够有效识别出各故障类型，具有很大的实用价值。
-
公开(公告)号：CN117828446A
公开(公告)日：2024-04-05
申请号：CN202410019250.3
申请日：2024-01-05
Applicant: 福州大学
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/045 , G06N3/084 , G06N3/094 , G06N3/096
Abstract: 本发明涉及一种基于迁移学习的风力发电机故障诊断方法，包括：S1、利用加速度传感器采集在不同工况下的正常与故障状态下的振动加速度信号；S2、将源域和目标域的样本分为训练集、验证集和测试集，分批次随机抽取目标域的无标签样本，以对齐源域训练集样本的维度；S3、将已对齐的样本送入改进深度残差网络，通过双阶段早期停止优化迁移学习策略进行训练，通过梯度反转层进行域对抗训练以减小源域和目标域的样本差异并获取域不变特征；将测试好的预训练模型的部分特征提取器冻结，用目标域训练集数据微调预训练模型的分类器；S4、将目标域测试集输入训练好的目标域的目标模型中，得到故障诊断结果。该方法有利于准确、高效地诊断出风力发电机故障。
-
公开(公告)号：CN114139293A
公开(公告)日：2022-03-04
申请号：CN202110951428.4
申请日：2021-08-18
Applicant: 福州大学
IPC: G06F30/17 , G06F30/27 , G06F111/06 , G06F119/02
Abstract: 本发明涉及一种滚动轴承故障诊断方法及系统，该方法首先利用优化变分模态分解对采集的滚动轴承的振动加速度信号进行分解与重构；然后利用精细复合多尺度模糊熵对重构信号进行特征提取，构建故障特征集；最后采用灰狼群优化支持向量机分类器进行诊断识别，诊断出滚动轴承故障类型。该方法及系统有利于对滚动轴承进行故障诊断，有效识别出滚动轴承的故障类型。
-
Patent Agency Ranking
公开(公告)号：CN111238807B
公开(公告)日：2021-09-28
申请号：CN202010051670.1
申请日：2020-01-17
Applicant: 福州大学
IPC: G01M13/021 , G01M13/028 , G06K9/00 , G06K9/62 , G06N3/00
Abstract: 本发明涉及一种行星齿轮箱故障诊断方法。首先，利用樽海鞘群优化变分模态分解(SSO‑VMD)对信号进行分解与重构。然后，从多域提取故障特征，并采用改进监督型自组织增量学习神经网络界标点等度规映射(ISSL‑Isomap)进行降维处理。最后，运用人工蜂群优化支持向量机(ABC‑SVM)分类器进行诊断识别。本发明克服了VMD算法中的参数选取问题，解决了多域特征存在的信息冗余问题。行星齿轮箱故障诊断实验结果表明所提方法能够有效识别出各故障类型，具有很大的实用价值。
-
公开(公告)号：CN114139293B
公开(公告)日：2025-01-10
申请号：CN202110951428.4
申请日：2021-08-18
Applicant: 福州大学
IPC: G06F30/17 , G06F30/27 , G06F111/06 , G06F119/02
Abstract: 本发明涉及一种滚动轴承故障诊断方法及系统，该方法首先利用优化变分模态分解对采集的滚动轴承的振动加速度信号进行分解与重构；然后利用精细复合多尺度模糊熵对重构信号进行特征提取，构建故障特征集；最后采用灰狼群优化支持向量机分类器进行诊断识别，诊断出滚动轴承故障类型。该方法及系统有利于对滚动轴承进行故障诊断，有效识别出滚动轴承的故障类型。
-
公开(公告)号：CN114865882B
公开(公告)日：2024-09-06
申请号：CN202210597671.5
申请日：2022-05-30
Applicant: 福州大学
IPC: H02K49/10
Abstract: 本发明涉及一种具有被动阻尼的章动磁力减速器及其使用方法，包括具有第一磁齿轮的箱体，所述箱体的腔室内转动连接有具有凹腔并作为动力输出构件的第四磁齿轮，箱体上还转动安装有另一端与第四磁齿轮转动连接的输入轴，所述输入轴上固定有位于凹腔内的章动套，所述章动套上转动连接有与第一磁齿轮配合形成第一级减速磁齿轮副的第二磁齿轮，所述第二磁齿轮上套设固定有与第四磁齿轮配合形成第二级减速磁齿轮副的第三磁齿轮。该减速器传动比大、传动效率高、波动转矩小和稳定时间短。
-
公开(公告)号：CN114865882A
公开(公告)日：2022-08-05
申请号：CN202210597671.5
申请日：2022-05-30
Applicant: 福州大学
IPC: H02K49/10
Abstract: 本发明涉及一种具有被动阻尼的章动磁力减速器及其使用方法，包括具有第一磁齿轮的箱体，所述箱体的腔室内转动连接有具有凹腔并作为动力输出构件的第四磁齿轮，箱体上还转动安装有另一端与第四磁齿轮转动连接的输入轴，所述输入轴上固定有位于凹腔内的章动套，所述章动套上转动连接有与第一磁齿轮配合形成第一级减速磁齿轮副的第二磁齿轮，所述第二磁齿轮上套设固定有与第四磁齿轮配合形成第二级减速磁齿轮副的第三磁齿轮。该减速器传动比大、传动效率高、波动转矩小和稳定时间短。
-
公开(公告)号：CN111191740A
公开(公告)日：2020-05-22
申请号：CN202010024877.X
申请日：2020-01-10
Applicant: 福州大学
IPC: G06K9/62 , G06K9/00 , G06N3/00 , G01M13/045
Abstract: 本发明涉及一种滚动轴承故障诊断方法，包括步骤：采集滚动轴承的不同故障状态信号；利用广义复合多尺度加权排列熵算法GCMWPE进行故障特征提取，从多个尺度上全面构造滚动轴承高维故障特征集；利用监督等度规映射流形学习算法S-Isomap对高维故障特征进行降维处理，获取其低维故障特征集；利用低维故障特征集对粒子群优化支持向量机PSO-SVM进行训练，利用训练好的粒子群优化支持向量机PSO-SVM进行故障诊断。本发明解决了滚动轴承故障特征提取困难的问题，能够有效、精准的诊断出滚动轴承各故障类型。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.026 seconds)
