-
公开(公告)号：CN111695521A
公开(公告)日：2020-09-22
申请号：CN202010539588.3
申请日：2020-06-15
Applicant: 哈尔滨理工大学
Abstract: 基于Attention-LSTM的滚动轴承性能衰退预测方法，属于旋转机械性能监测领域。首先，针对设备性能衰退评估过程中缺乏性能衰退指标以及监测信号难以直观表征轴承性能衰退特性的问题，通过时域与频域分析生成多个备选特征指标并采用相关性、单调性和鲁棒性三个指标其进行评价筛选，将特征值曲线通过固定窗均值化处理得到HI曲线和残差曲线，并提出基于阶跃稳态的性能衰退评估方法，定量直观地反映轴承性能衰退程度。最后，针对传统方法过度依赖专家经验及处理复杂时间序列预测精度低的问题，提出基于Attention-LSTM的性能衰退预测方法，采用注意力机制提高对性能阶跃点前后数据的学习能力，加强了预测模型对衰退特征的反应敏感度。本发明通过实验验证了该预测方法具有更高的预测精度，鲁棒性和泛化能力。
-
公开(公告)号：CN109443758A
公开(公告)日：2019-03-08
申请号：CN201811639531.X
申请日：2018-12-29
Applicant: 哈尔滨理工大学
IPC: G01M13/021 , G01M13/025 , G01M13/04 , G01M13/045
Abstract: 本发明公开了一种旋转机械复合诊断装置。由基座和设置在基座上的电机、轴承实验装置、齿轮箱实验装置及检测装置组成，包括电机、弹性联轴器、同步轮、皮带、齿轮箱、磁粉制动器、温度传感器、加速度传感器、声压传感器、转轴、轴承座、固定支架、合页、隔音箱、螺栓、COCO80信号分析仪等。本实验新型通过电机带动轴承和齿轮箱内的齿轮旋转，通过COCO80信号分析仪采集滚动轴承和齿轮的振动、噪声和温度的数据并进行诊断。本发明设有多个传感器，可同时对轴承和齿轮进行全面的、实时的、快速的故障诊断，大幅改善试验台的实用性能。本发明实现对单一轴承的故障复合诊断，改善了试验台的综合性,并为旋转机械的优化设计提供极大的工程参考价值。
-
公开(公告)号：CN107036817A
公开(公告)日：2017-08-11
申请号：CN201710219477.2
申请日：2017-04-05
Applicant: 哈尔滨理工大学
CPC classification number: G01M13/045 , G06N3/006
Abstract: 基于磷虾群算法的SVR滚动轴承性能衰退预测方法，属于泛函逼近的旋转机械预测方法领域。首先分析时域、频域、时频域特征指标，提出基于CEEMD和小波包半软阈值降噪相结合的特征提取方法，对滚动轴承进行故障诊断。又针对多特征参数对滚动轴承故障衰退特征进行综合评价，提出LLE非线性特征降维方法与模糊C均值结合的方法，最后介绍了支持向量回归机基本理论，以此基础提出基于磷虾群算法的多变量支持向量回归机的预测模型，对SVR中的参数进行优化，选取最优C、σ参数。本发明具有预测精度高，计算用时短，聚类后的特征值预测效果好的特点。通过以上三个步骤可以进行滚动轴承的衰退过程精确预测。
-
公开(公告)号：CN114993680B
公开(公告)日：2024-11-26
申请号：CN202210608226.4
申请日：2022-05-31
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/10 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种滚动轴承剩余寿命预测方法，涉及滚动轴承寿命预测领域。本发明针对现有的轴承剩余预测方法存在预测精度低的问题。本发明将所述降噪后的信号进行分解重构为短时序列矩阵，通过多尺度融合排列熵方法提取特征；将提取的特征数据输入神经网络中，得到滚动轴承预测的剩余寿命趋势。能够反映出更多轴承剩余寿命随时间变化的趋势，具有良好的剩余寿命预测精度。
-
公开(公告)号：CN116399589B
公开(公告)日：2024-01-12
申请号：CN202310321869.5
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/213 , G06F18/214 , G06F18/2411
Abstract: 本发明公开了一种基于RCMWE的滚动轴承微弱信号特征提取方法，其所述方法包括如下步骤：步骤一、将时域特征参数和频域特征参数构成多维原始故障特征集，采用皮尔逊相关系数PS、拉普拉斯得分LS、互信息MI及费舍尔得分FS四类特征评价准则对特征敏感性进行评价，根据特征评价准则筛选出最优敏感特征参数；步骤二、将敏感特征参数作为精细复合多尺度加权熵的权重参数，通过哈达玛积运算进行加权组合，获得精细复合多尺度加权熵。通过实验验证表明，本发明的精细复合多尺度加权熵方法在所有尺度上都具有正确估计信号复杂度的能力，能够产生增强的特征向量，既可以有效地区分正常与异常状态，又能够较好的区分不同故障类型及故障退化程度。
-
Patent Agency Ranking
公开(公告)号：CN107036817B
公开(公告)日：2019-03-08
申请号：CN201710219477.2
申请日：2017-04-05
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06N3/00
Abstract: 基于磷虾群算法的SVR滚动轴承性能衰退预测方法，属于泛函逼近的旋转机械预测方法领域。首先分析时域、频域、时频域特征指标，提出基于CEEMD和小波包半软阈值降噪相结合的特征提取方法，对滚动轴承进行故障诊断。又针对多特征参数对滚动轴承故障衰退特征进行综合评价，提出LLE非线性特征降维方法与模糊C均值结合的方法，最后介绍了支持向量回归机基本理论，以此基础提出基于磷虾群算法的多变量支持向量回归机的预测模型，对SVR中的参数进行优化，选取最优C、σ参数。本发明具有预测精度高，计算用时短，聚类后的特征值预测效果好的特点。通过以上三个步骤可以进行滚动轴承的衰退过程精确预测。
-
公开(公告)号：CN116399589A
公开(公告)日：2023-07-07
申请号：CN202310321869.5
申请日：2023-03-29
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06F18/213 , G06F18/214 , G06F18/2411
Abstract: 本发明公开了一种基于RCMWE的滚动轴承微弱信号特征提取方法，其所述方法包括如下步骤：步骤一、将时域特征参数和频域特征参数构成多维原始故障特征集，采用皮尔逊相关系数PS、拉普拉斯得分LS、互信息MI及费舍尔得分FS四类特征评价准则对特征敏感性进行评价，根据特征评价准则筛选出最优敏感特征参数；步骤二、将敏感特征参数作为精细复合多尺度加权熵的权重参数，通过哈达玛积运算进行加权组合，获得精细复合多尺度加权熵。通过实验验证表明，本发明的精细复合多尺度加权熵方法在所有尺度上都具有正确估计信号复杂度的能力，能够产生增强的特征向量，既可以有效地区分正常与异常状态，又能够较好的区分不同故障类型及故障退化程度。
-
公开(公告)号：CN115017955A
公开(公告)日：2022-09-06
申请号：CN202210703794.2
申请日：2022-06-21
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了基于半监督图卷积的行星齿轮箱故障诊断方法，本发明涉及旋转机械故障诊断方法领域，本发明为了解决现有的旋转机械故障诊断方法的准确率低的问题。本发明利用自编码器降噪网络对所述原始数据进行降噪处理；对降噪后的数据进行特征提取，得到特征矩阵，对所述特征矩阵进行降维处理；求取所述降维处理后的特征矩阵中各数据之间的无向图，将所述降维后矩阵和数据之间无向图输入半监督图卷积神经网络故障诊断模型中，得到诊断结果。本发明能够对行星齿轮箱故障进行准确诊断。
-
公开(公告)号：CN114841208A
公开(公告)日：2022-08-02
申请号：CN202210525015.4
申请日：2022-05-14
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了基于SAE与TCN‑Attention模型的滚动轴承性能衰退预测方法及装置，涉及机械性能衰退预测预测领域。本发明针对满足对所监测的滚动轴承性能变化趋势的需求的问题。本发明获取滚动轴承的原始振动信号数据，经降噪后进行特征提取，得到时域特征衰退指标和频域特征衰退指标；将所述时域特征衰退指标和频域特征衰退指标输入SAE模型中，得到融合后的特征指标；将融合后的特征指标输入TCN‑Attention模型中，得到滚动轴承性能衰退趋势，得到滚动轴承性能衰退趋势；本发明能够实现滚动轴承性能衰退的高精度预测。
-
公开(公告)号：CN107300856A
公开(公告)日：2017-10-27
申请号：CN201710524963.5
申请日：2017-06-30
Applicant: 哈尔滨理工大学
IPC: G05B13/04
Abstract: 本发明公开了一种基于FDA和SVDD的旋转机械剩余寿命预测方法，所述方法使用函数型数据分析(FDA)方法把采集到的离散数据转化为光滑函数来解决信息量的丢失或模型估计失真等问题，使用SVDD来识别机械运行状况以减小采集样本的需求和提供预测的准确性，计算测试样本的SVDD模型半径并与全生命周期的时间半径轨迹比较以得到预测结果。本发明有效地降低了旋转机械剩余寿命预测所需的采集样本时间，提高了预测的准确性。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.027 seconds)
