-
公开(公告)号：CN105912504B
公开(公告)日：2018-05-15
申请号：CN201610221389.1
申请日：2016-04-11
Applicant: 西安交通大学 , 浙江西安交通大学研究院
IPC: G06F17/11
Abstract: 本发明涉及一种机械结构多源冲击载荷识别的压缩感知方法，用于解决高度欠定系统的多源冲击载荷识别反问题的病态特性。该方法包括以下步骤：1)测量机械结构冲击载荷作用点与机械结构响应点间的频响函数，进而构造感知矩阵；2)采用传感器测量由结构动载荷产生的信号；3)构造多源冲击载荷识别的欠定方程；4)构造基于L1范数的多源冲击载荷识别的压缩感知凸优化模型；5)利用两步迭代阈值算法求解压缩感知优化模型，获得多源冲击载荷的压缩感知解。本发明充分利用冲击载荷的时间和空间的联合稀疏性，适用于识别和定位作用在机械结构的多源冲击载荷，克服了传统的基于L2范数的正则化方法无法求解欠定系统的瓶颈。
-
公开(公告)号：CN105912504A
公开(公告)日：2016-08-31
申请号：CN201610221389.1
申请日：2016-04-11
Applicant: 西安交通大学 , 浙江西安交通大学研究院
IPC: G06F17/11
CPC classification number: G06F17/11
Abstract: 本发明涉及一种机械结构多源冲击载荷识别的压缩感知方法，用于解决高度欠定系统的多源冲击载荷识别反问题的病态特性。该方法包括以下步骤：1)测量机械结构冲击载荷作用点与机械结构响应点间的频响函数，进而构造感知矩阵；2)采用传感器测量由结构动载荷产生的信号；3)构造多源冲击载荷识别的欠定方程；4)构造基于L1范数的多源冲击载荷识别的压缩感知凸优化模型；5)利用两步迭代阈值算法求解压缩感知优化模型，获得多源冲击载荷的压缩感知解。本发明充分利用冲击载荷的时间和空间的联合稀疏性，适用于识别和定位作用在机械结构的多源冲击载荷，克服了传统的基于L2范数的正则化方法无法求解欠定系统的瓶颈。
-
公开(公告)号：CN105912854A
公开(公告)日：2016-08-31
申请号：CN201610221390.4
申请日：2016-04-11
Applicant: 西安交通大学 , 浙江西安交通大学研究院
IPC: G06F19/00
CPC classification number: G06F19/00
Abstract: 本发明公开了一种机械结构动载荷识别的稀疏表征方法，用于解决动载荷识别反问题的病态特性，克服当前函数逼近法需要预先确定基函数数目的缺点，包括以下步骤：1)采用锤击法测量机械结构动载荷作用点与机械结构响应点间的频响函数，经过处理获得传递矩阵；2)测量由作用于机械结构的动载荷产生的响应信号；3)根据动载荷形貌，选择基函数构造稀疏表征字典；4)构造基于L1范数的动载荷识别的稀疏表征模型；5)求解动载识别的稀疏表征模型，获得动载荷稀疏表征系数矢量；6)获得识别的动载荷。本发明能够有效识别作用在机械结构的冲击、简谐载荷，与传统基于L2范数的Tikhonov正则化方法相比，具有识别精度高、稳定性强的优点。
-
公开(公告)号：CN105912854B
公开(公告)日：2018-05-15
申请号：CN201610221390.4
申请日：2016-04-11
Applicant: 西安交通大学 , 浙江西安交通大学研究院
IPC: G06F17/50
Abstract: 本发明公开了一种机械结构动载荷识别的稀疏表征方法，用于解决动载荷识别反问题的病态特性，克服当前函数逼近法需要预先确定基函数数目的缺点，包括以下步骤：1)采用锤击法测量机械结构动载荷作用点与机械结构响应点间的频响函数，经过处理获得传递矩阵；2)测量由作用于机械结构的动载荷产生的响应信号；3)根据动载荷形貌，选择基函数构造稀疏表征字典；4)构造基于L1范数的动载荷识别的稀疏表征模型；5)求解动载识别的稀疏表征模型，获得动载荷稀疏表征系数矢量；6)获得识别的动载荷。本发明能够有效识别作用在机械结构的冲击、简谐载荷，与传统基于L2范数的Tikhonov正则化方法相比，具有识别精度高、稳定性强的优点。
-
公开(公告)号：CN119202908B
公开(公告)日：2025-04-29
申请号：CN202411698633.4
申请日：2024-11-26
Applicant: 西安交通大学
IPC: G06F18/2415 , G06F18/2433 , G06N3/0464 , G06N3/0455 , G06F18/22 , G06F18/214
Abstract: 一种基于可学习稀疏正则字典学习的机械异常检测方法与系统，方法中，采集机械正常运转时的振动信号，并进一步构造训练数据集；构建包含可学习稀疏正则项的字典学习模型，将输入信号表示为字典与稀疏编码的卷积形式；利用半二次分裂算法完成模型迭代计算公式的推导；为公式中的每个变量和权重设计相应的网络模块，模块的组合表示一次迭代计算，多个迭代计算过程叠加构成可学习稀疏正则网络；使用训练数据集训练网络，提取正常样本特征，并利用反向传播技术更新网络参数；将测试样本输入训练好的网络，计算重构数据与输入样本间的误差，根据误差值的大小判断机械是否为正常状态；对网络的重构输出进一步分析，完成网络的事后可解释说明。
-
Patent Agency Ranking
公开(公告)号：CN117993285A
公开(公告)日：2024-05-07
申请号：CN202410036072.5
申请日：2024-01-10
Applicant: 西安交通大学
IPC: G06F30/27 , G06F30/28 , G06F30/15 , G06N3/092 , G06N3/048 , G06F18/25 , G06F113/08 , G06F119/14
Abstract: 公开了一种基于混合数字孪生驱动的燃油系统健康监测方法，方法中，建立燃油系统的一体化动力学模型，燃油系统模型包括齿轮泵出多尺度流量模型、活门的动力学模型、管路的动力学模型和过滤器动力学模型，基于深度强化学习的模型更新，物理实体的状态数据定义为环境状态，物理实体的虚拟仿真模型在MATLAB Simulink环境中进行仿真，通过ODE45对系统模型进行求解，获得物理实体测点对应位置的压力和流量数据，将压力传感器测量的实际数据与系统模型仿真获得的压力数据之间的误差作为强化学习智能体的奖励，基于数字孪生模型的磨损评估，分别计算不同磨损程度对应的评估向量与基准向量之间的距离，以对齿轮泵健康状态的评估。
-
公开(公告)号：CN117232793A
公开(公告)日：2023-12-15
申请号：CN202211690519.8
申请日：2022-12-27
Applicant: 西安交通大学
IPC: G01M13/00 , G01M13/045 , G01M13/021 , G01M13/028 , G06F17/10
Abstract: 公开了一种基于自适应带宽稀疏时域同步平均的机械故障诊断方法，方法中，已知传感器的精度信息，用传感器采集机械振动以及转速信号，并进行模/数转换，利用已知的机械部件信息，得到自适应带宽加权向量w1，并计算衡量波动程度的指标IADSTSA。然后判断转速波动是否正常：若不满足要求，须对振动信号进行阶次分析并构造自适应带宽加权向量。第三，判断传感器的精度：若传感器精度低，须使用高精度转速估计方法修正，并重新构造自适应带宽加权向量。最后，构造稀疏时域同步平均模型F，利用迭代优化求解算法对模型求解得到稀疏频域信息x和重构时域信息最后使用包络谱分析并借助指标CIADSTSA辅助分析进行齿轮、转子以及轴承等机械故障诊断。
-
公开(公告)号：CN116975563A
公开(公告)日：2023-10-31
申请号：CN202310927800.7
申请日：2023-07-27
Applicant: 西安交通大学
IPC: G06F18/20 , G01M13/028 , G01M13/021 , G06F18/213 , G06F18/214 , G06F18/241 , G06N3/0464 , G06N3/08
Abstract: 公开了基于多尺度深度注意强化学习网络的齿轮箱不平衡故障诊断方法，方法包括：信号采集，获得齿轮箱在多种工况下不同健康状况的振动信号，基于所述振动信号构建训练集及测试集，环境模拟构建，根据齿轮箱的健康状况数据分布不均衡特点，建立不平衡分类马尔科夫决策过程，并设计奖励函数，建立类不平衡下故障诊断所需的数据环境模拟；建立多工况不平衡深度强化学习模型，基于训练集，智能体与环境进行不断地交互，训练智能体自主学习最优的诊断策略，所述智能体包括至少两个相同结构的多尺度特征深度注意力网络；故障识别，将所述测试集中的样本逐个输入训练完成的所述智能体，根据所述诊断策略识别齿轮箱故障类型，及分析诊断结果。
-
公开(公告)号：CN116973101A
公开(公告)日：2023-10-31
申请号：CN202310927797.9
申请日：2023-07-27
Applicant: 西安交通大学
IPC: G01M13/028 , G01M13/021 , G06F18/214 , G06F18/20 , G06N3/092
Abstract: 公开了基于健康自适应参数迁移深度强化学习网络的齿轮箱变工况故障诊断，方法包括：信号采集，利用振动传感器在非平衡工况和不同工况下采集多种齿轮箱的健康状况下振动信号；环境模拟构建，基于所采集信号构建训练集及测试集，建立分类马尔科夫决策过程；建立变工况深度强化学习模型，基于源域数据集，智能体与环境进行不断地交互，训练智能体自主学习最优的诊断策略，所述智能体包括至少两个相同结构的健康自适应强化学习网络；模型迁移，根据参数迁移策略，将源域中学习到的故障诊断策略迁移至目标诊断任务中；故障识别，将所述目标域测试集中的样本逐个输入训练完成的所述智能体，根据所述诊断策略识别齿轮箱故障类型，及分析诊断结果。
-
公开(公告)号：CN112633245B
公开(公告)日：2023-01-06
申请号：CN202011644046.9
申请日：2020-12-31
Applicant: 西安交通大学
IPC: G06F18/10 , G06F18/241 , G06F18/214 , G06F18/21 , G06V10/82 , G01M13/021 , G01M13/028 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/092 , G06F123/02
Abstract: 公开了基于深度强化学习模型的行星齿轮箱故障诊断方法，方法包括：信号采集，获得行星齿轮箱在不同的健康状况下的振动信号，基于所述振动信号构建训练样本信号及测试样本信号；时频图像生成，同步提取所述训练样本信号及测试样本信号变换为二维时频图像，基于所述二维时频图像构建训练集及测试集；建立深度强化学习模型，基于训练集，智能体与环境进行不断地交互，训练智能体自主学习最优的诊断策略，所述智能体包括至少两个相同结构的深度卷积神经网络；故障识别，将所述测试集中的样本逐个输入训练完成的所述智能体，根据所述诊断策略识别行星齿轮箱故障类型，及分析诊断结果。
-
-
-
-
-
-
-
-
-
Search Results
94
records
(took 0.035 seconds)
