-
公开(公告)号：CN119202908A
公开(公告)日：2024-12-27
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。
-
公开(公告)号：CN117235940A
公开(公告)日：2023-12-15
申请号：CN202211689906.X
申请日：2022-12-26
Applicant: 西安交通大学
IPC: G06F30/18 , G06F30/27 , G06F18/213 , G06F18/24 , G06N3/0464 , G06N3/0455 , G06N3/0499 , G06N3/084
Abstract: 公开了一种健康管理系统传感器优化配置的自注意力重要性排序方法，方法包括：使用多个传感器采集电机及其传动系统的传感器信号，根据传感器信号构造输入样本，并对输入样本进行标准化预处理；构建基于深度自注意力网络对传感器节点关系进行建模，进而提取多路信号的深层特征；通过网络训练优化对电机故障进行分类，度量单个传感器对网络的贡献，进而对传感器的重要性进行评估得到评估结果；根据所述评估结果对多个传感器进行优化配置。
-
公开(公告)号：CN117235563A
公开(公告)日：2023-12-15
申请号：CN202211679785.0
申请日：2022-12-26
Applicant: 西安交通大学
IPC: G06F18/24 , G06F18/214 , G06N3/0455 , G06N3/048 , G06N3/08 , G01M13/028 , G01M13/021
Abstract: 公开了一种基于故障敏感特征深度距离测度的传动系统故障检测方法，方法包括：首先利用振动传感器采集锥齿轮正常状态和故障状态的振动信号，并提取信号的时域、频域特征构造样本集；然后计算特征类内类间距离评估其对故障状态的敏感性；将筛选的正常状态的特征输入到深度支持向量数据描述模型中训练进而构造可学习正常样本共有特征的超球体并设定故障阈值；将筛选的正常和故障状态特征输入到Deep‑SVDD网络中计算与超球体球心的距离，根据预设阈值判断锥齿轮的健康状态。本发明通过特征评估技术筛选锥齿轮故障敏感特征，并基于正常状态数据训练Deep‑SVDD网络构造超球体，最终实现传动系统锥齿轮健康状态的监测。
-
公开(公告)号：CN113374543B
公开(公告)日：2022-12-06
申请号：CN202110629185.2
申请日：2021-06-04
Applicant: 西安交通大学
Abstract: 本公开揭示了一种基于时变故障率模型的航空发动机部件维修方法，方法包括：根据航空发动机部件的历史故障统计数据建立故障率模型；基于检测误差项对航空发动机部件实际衰退的真实检测构建故障风险函数，维护过程中的不同维护行为及次数对部件故障风险的影响通过加入故障率递增因子和役龄递减因子实现；将维护成本对性能恢复的影响加入到役龄递减因子中，以反映投入成本影响下的综合性能变化；考虑经济性和安全性，以包括维护经济成本与停机时间损失成本的长期费用率和故障率最小为目标构建目标函数；求解目标函数的最优检测时间间隔。
-
公开(公告)号：CN113324754B
公开(公告)日：2022-05-06
申请号：CN202110589776.1
申请日：2021-05-27
Applicant: 西安交通大学
IPC: G01M13/021 , G01M13/028 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本公开揭示了一种基于多感受野图卷积的齿轮传动系统故障识别方法，包括：将所采集的已知故障的齿轮传动系统的振动信号进行样本划分获得训练样本集，将训练样本集构造为第一关联图数据；将所采集的未知故障的齿轮传动系统的振动信号进行样本划分获得待测样本集，将待测样本集构造为第二关联图数据；构建由两层多感受野图卷积层和两层全连接层构成的多感受野图卷积网络，通过第一关联图数据对多感受野图卷积网络进行训练；将第二关联图数据输入训练后的多感受野图卷积网络，实现对未知故障的齿轮传动系统的故障识别。
-
Patent Agency Ranking
公开(公告)号：CN113374543A
公开(公告)日：2021-09-10
申请号：CN202110629185.2
申请日：2021-06-04
Applicant: 西安交通大学
Abstract: 本公开揭示了一种基于时变故障率模型的航空发动机部件维修方法，方法包括：根据航空发动机部件的历史故障统计数据建立故障率模型；基于检测误差项对航空发动机部件实际衰退的真实检测构建故障风险函数，维护过程中的不同维护行为及次数对部件故障风险的影响通过加入故障率递增因子和役龄递减因子实现；将维护成本对性能恢复的影响加入到役龄递减因子中，以反映投入成本影响下的综合性能变化；考虑经济性和安全性，以包括维护经济成本与停机时间损失成本的长期费用率和故障率最小为目标构建目标函数；求解目标函数的最优检测时间间隔。
-
公开(公告)号：CN113324754A
公开(公告)日：2021-08-31
申请号：CN202110589776.1
申请日：2021-05-27
Applicant: 西安交通大学
IPC: G01M13/021 , G01M13/028 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本公开揭示了一种基于多感受野图卷积的齿轮传动系统故障识别方法，包括：将所采集的已知故障的齿轮传动系统的振动信号进行样本划分获得训练样本集，将训练样本集构造为第一关联图数据；将所采集的未知故障的齿轮传动系统的振动信号进行样本划分获得待测样本集，将待测样本集构造为第二关联图数据；构建由两层多感受野图卷积层和两层全连接层构成的多感受野图卷积网络，通过第一关联图数据对多感受野图卷积网络进行训练；将第二关联图数据输入训练后的多感受野图卷积网络，实现对未知故障的齿轮传动系统的故障识别。
-
公开(公告)号：CN112683532A
公开(公告)日：2021-04-20
申请号：CN202011342399.3
申请日：2020-11-25
Applicant: 西安交通大学
IPC: G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种轴承的跨工况条件对抗诊断方法，所述方法中，采集轴承在运行状态下的振动数据，分割所述振动数据生成信号样本，所述样本划分为用于测试的测试集和训练的训练集；构建训练模块，其包括提取信号特征的特征提取器、对轴承故障分类的分类器和区分特征的工况和故障的鉴别器；所述训练模块基于训练集训练，其中，利用BP方法根据损失函数更新所述特征提取参数和分类器参数；固定所述特征提取器参数，利用所述损失函数更新鉴别器参数；固定鉴别器参数，利用对抗损失函数更新特征提取器参数；基于更新后的分类器和特征提取器构建测试模块，输入测试集和/或目标域工况样本到测试模块中以进行故障诊断。
-
公开(公告)号：CN110509109B
公开(公告)日：2021-04-13
申请号：CN201910638155.0
申请日：2019-07-16
Applicant: 西安交通大学
IPC: B23Q17/09
Abstract: 本发明公开了一种基于多尺度深度卷积循环神经网络的刀具磨损监测方法，方法包括以下步骤：基于多路传感器测量的刀具数据预处理数据，构造输入矩阵；构造多尺度卷积神经网络，获取多尺度特征，多尺度卷积神经网络的每个分支基于最大值池化后的输出进行特征融合，最终获得多尺度特征；构造深度循环GRU网络以提取不同时间尺度的特征和表示，深度循环GRU网络包括第一层GRU网络和第二层GRU网络，第二层GRU网络的单元数比第一层GRU网络的单元数多，多尺度特征经过深度循环GRU网络处理后获得不同时间尺度的特征和表示；基于特征构造全连接层，将特征映射到样本标记空间；基于全连接层的输出结果构造线性回归层，获得刀具磨损量。
-
公开(公告)号：CN111274692A
公开(公告)日：2020-06-12
申请号：CN202010050065.2
申请日：2020-01-16
Applicant: 西安交通大学
IPC: G06F30/20 , G06F119/02
Abstract: 本发明公开了航空发动机非线性控制系统建模方法，步骤包括：设定用于辨识控制系统输入和输出的非线性自适应滤波器初值，记录控制系统当前及历史时刻的输入，将基于所述输入得到的输入向量与FIR滤波器权值内积运算，得到FIR滤波输出，得到其在样条插值器中的局部区间索引以及局部归一化坐标，生成样条插值器输出，利用传感器采集控制系统当前时刻的输出，并与所述样条插值器输出进行对比，得到滤波误差，根据滤波误差分别计算当前时刻FIR滤波器权值及样条插值点的梯度，根据梯度分别计算FIR滤波器权值的梯度动量以及样条插值点的梯度动量，分别更新FIR滤波器权向量和样条插值点坐标，继续从第二步骤开始进行下一时刻的自适应过程。
-
-
-
-
-
-
-
-
-
Search Results
96
records
(took 0.036 seconds)
