-
公开(公告)号：CN118260631B
公开(公告)日：2025-03-25
申请号：CN202410350184.8
申请日：2024-03-26
Applicant: 苏州大学
IPC: G06F18/24 , G01M13/045 , G06F18/241 , G06F18/2415 , G06F18/10 , G06F18/2131 , G06F18/25 , G06N3/0464 , G06N3/096
Abstract: 本发明提供一种故障轴承中故障类型监测方法和系统，涉及轴承故障诊断技术领域，该方法包括采集各种故障类型的轴承振动信号，并构建故障诊断数据集，将不同阶段的故障任务划分初始任务和增量任务，并确定初始任务和增量任务的故障类别数；构建初始故障诊断模型；基于初始故障诊断模型，对增量任务进行训练，包括模型自适应阶段训练和模型融合阶段训练，通过蒸馏损失将新模型和旧模型进行整合，得到整合后的故障诊断模型；利用整合后的故障诊断模型对待检测的故障轴承振动信号进行故障诊断，得到待检测的故障轴承振动信号的故障类型；与传统的深度学习方法相比，本发明能缓解灾难性遗忘问题，更符合工业应用的实际场景。
-
公开(公告)号：CN119443153A
公开(公告)日：2025-02-14
申请号：CN202510041342.6
申请日：2025-01-10
Applicant: 苏州大学
IPC: G06N3/0442 , G06N3/045 , G06N3/0464 , G06N3/049 , G06N3/09
Abstract: 本发明涉及机械故障诊断技术领域，尤其涉及一种基于脉冲神经网络的机械故障诊断方法及系统。本发明构建故障诊断网络，所述故障诊断网络包括：改进门控注意力编码模块与脉冲残差网络；其中，通过将门控注意力编码模块的普通卷积层替换为一维稀疏卷积层，将二维批归一化层替换为一维批归一化层，得到改进门控注意力编码模块；将故障诊断网络中的脉冲神经元设为PSN神经元，并在脉冲残差网络中嵌入时间步长收缩层；将当前采样周期的机械振动信号输入故障诊断网络，输出当前采样周期的预测故障类别标签。本发明实现了高效高精度的机械故障智能诊断。
-
公开(公告)号：CN116106008B
公开(公告)日：2024-09-06
申请号：CN202211699746.7
申请日：2022-12-28
Applicant: 苏州大学
IPC: G01M13/04 , G06F18/213 , G06F18/24 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种基于分类器差异软权自适应网络的故障诊断方法、装置、设备以及计算机可读存储介质，本发明由特征提取器、离群分类器与两个状态分类器三部分构成，特征提取器用于提取源域和目标域不同类别的可迁移特征，两个不同的状态分类器基于提取到的可转移特征进行标签预测；离群分类器对目标域样本进行伪标签学习，从而自动分离共享类和离群类样本；本发明构造了一个样本软权重项，以自适应地测量目标样本属于跨域共享标签空间的概率，设计了一个加权分类器差异损失来获取共享类样本的跨域不变特征，本发明诊断精度高，鲁棒性强，适用于变工况类型差异下的开集迁移故障诊断任务，可广泛应用于机械、电力、化工、航空等领域。
-
公开(公告)号：CN115773883B
公开(公告)日：2024-08-20
申请号：CN202211405383.1
申请日：2022-11-10
Applicant: 苏州大学
IPC: G01M13/045 , G06V10/764 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/082
Abstract: 本发明实施例提供了一种双生成器协同域对抗轴承故障诊断方法及系统，该方法包括采集振动信号构建源域数据集和目标域数据集；对轴承信号样本进行频域处理，得到样本图片；将源域样本图片和目标域样本图片输入模型进行训练，获得两个不同的特征生成器；将特征生成器两个生成特征，融合成新的特征；更新两个特征生成器、分类器和鉴别器的参数；将目标域数据集输入训练好模型，实现轴承故障诊断。本发明轴承故障诊断的结果准确率高、鲁棒性更强，并且适用于变工况多场景、多种故障的诊断。
-
公开(公告)号：CN115436058B
公开(公告)日：2023-10-03
申请号：CN202211057305.7
申请日：2022-08-30
Applicant: 苏州大学
IPC: G01M13/045 , G06F17/16 , G06F18/10 , G06F18/213
Abstract: 本发明公开了一种轴承故障特征提取的方法、装置、设备以及计算机存储介质，包括采集轴承振动信号，并对轴承振动信号进行加窗截取；利用Katz方法计算截取信号片段的分形维数值；根据分形维数值跟踪轴承振动信号中轴承故障产生的冲击位置，提取冲击位置的包络线；进一步地根据峰值搜索算法对包络线进行去除干扰，得到轴承振动故障特征。本发明通过分形维数将轴承的振动序列转化为短时分形维数序列，并且在转换过程中对其他的干扰信号进行抑制，将轴承故障的信号更加突出，抑制干扰信号，最后根据峰值搜索算法将所有信号进行处理，进一步抑制干扰信号对轴承故障信号的影响，更加突显轴承故障信号。
-
Patent Agency Ranking
公开(公告)号：CN116561904A
公开(公告)日：2023-08-08
申请号：CN202310276591.4
申请日：2023-03-21
Applicant: 苏州大学
IPC: G06F30/17 , G06F119/14
Abstract: 本发明公开了一种滚动轴承动力学建模和振动特征分析方法，包括以下步骤：S1：建立健康的轴承动力学模型：分别计算了轴承处于弹流体动压润滑时轴承的刚度和阻尼、滚动体与保持架之间的力以及滚动体与滚道之间的力，确定了健康的轴承动力学模型中所需的基本物理量；S2：建立具有局部故障的轴承动力学模型：通过引入半正弦函数，描述了滚动体经过局部故障时的时变位移激励，最终建立了具有局部故障的轴承动力学模型；S3：识别具有局部故障的动态模型中的主要激振源：通过比较动态模型中基本物理量的数值大小和变化趋势，确定主要激振源。本发明，更为真实地模拟轴承运行过程中的实际工况，为滚动轴承在故障激励下的振动响应分析提供理论基础。
-
公开(公告)号：CN116304603A
公开(公告)日：2023-06-23
申请号：CN202310346327.3
申请日：2023-04-03
Applicant: 中铁工程装备集团有限公司 , 苏州大学
IPC: G06F18/21 , G06N3/09 , G06N3/088 , G06N3/0464
Abstract: 本发明提出了一种基于双对比架构的模式识别方法，用以解决现有模式识别方法中极低标签率下准确率不高的问题，步骤为：数据预处理：将一维振动信号增强为不同参数下的二维时频信号；双对比架构搭建：通过三个并联的编码器搭建双对比架构；负例集初始化：通过编码器对随机样本编码填充负例集；双对比架构训练：用无标签数据训练双对比架构；标签扩散：用有标签数据给部分无标签数据打标签；模式识别模型训练：用标签扩散后的有标签数据集训练模型；模式识别：用训练好的模式识别模型对输入数据进行模式识别。本发明具有以下优点：数据特征提取能力强；所需有标签数据少；模型收敛速度快；模式识别准确率高。
-
公开(公告)号：CN115923603A
公开(公告)日：2023-04-07
申请号：CN202211347699.X
申请日：2022-10-31
Applicant: 苏州大学
Abstract: 本发明公开了一种区域轨道高绝缘的杂散电流防护方法及系统，用于实现地铁线路与埋地金属管线交叉或平行的防护区域的杂散电流防护。本发明区域轨道高绝缘的杂散电流防护方法及系统针对地铁线路与埋地金属管线交叉或平行的重点区域，通过在防护区域两端的走行轨加设绝缘节和直流断路器，并使用跨接电缆连接区域两侧的走行轨，不仅能够减少防护区域内的杂散电流的泄漏，还能降低线路内其他区域的电流流经防护区域时所产生的杂散电流，从而在降低防护成本的同时，大幅提升防护区域的走行轨及周边设备、系统的安全性、可靠性及使用寿命。
-
公开(公告)号：CN115545070A
公开(公告)日：2022-12-30
申请号：CN202211113733.7
申请日：2022-09-14
Applicant: 苏州大学
Abstract: 本发明公开了一种基于综合平衡网络的类不平衡轴承智能诊断方法，包括以下步骤：步骤(1)、数据预处理：对轴承不平衡数据集中的每个振动信号进行短时傅里叶变换，获取信号的时频谱；步骤(2)、模型搭建：将不平衡分布学习模块、平衡分布学习模块、重加权模块和分类器重平衡模块进行组合，搭建综合平衡网络模型；步骤(3)、模型训练：利用不平衡数据集的时频谱数据，按照给定的训练步骤、损失函数和优化算法训练综合平衡网络模型；步骤(4)、故障诊断：将待测轴承振动信号的时频谱输入到训练好的综合平衡网络模型中，得到故障诊断结果。本发明，轴承振动信号的特征提取能力强、轴承故障诊断的准确率高。
-
公开(公告)号：CN113358356B
公开(公告)日：2022-12-27
申请号：CN202110631601.2
申请日：2021-06-07
Applicant: 苏州大学
IPC: G01M13/045
Abstract: 本发明公开了一种高速列车轮对轴承微弱故障诊断方法及系统，包括以下步骤：S1：利用高速列车轮对轴承信号特征频率更新趋势构建频谱特征信息扫描器，获取信号中潜在特征成分的边界参数；S2：根据获取到的边界参数构建滤波器组，对高速列车轮对轴承信号进行分解，得到对应的模式分量；S3：建立融合故障敏感指数，通过计算模式分量对应的故障敏感指数定位故障特征成分；S4：对故障特征成分执行包络分析获得包络谱，根据包络谱检测微弱故障特征，完成高速列车轮对轴承微弱故障诊断。本发明解决现有自适应信号分解方法在轮对轴承信号分解中带来的问题，实现高速列车轮对轴承微弱故障诊断。
-
-
-
-
-
-
-
-
-
Search Results
142
records
(took 0.043 seconds)
