-
公开(公告)号：CN106886660A
公开(公告)日：2017-06-23
申请号：CN201710181336.6
申请日：2017-03-23
Applicant: 哈尔滨理工大学
Abstract: 一种EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法，属于滚动轴承故障检测领域。为了解决针对训练数据采用一种负载，测试数据选用其他负载的情况下，滚动轴承故障状态及故障程度难以准确识别的问题。首先对滚动轴承各状态振动信号进行EEMD，然后选取敏感本征模态函数，并对其进行Hilbert变换求取包络谱。最后将各状态振动信号的IMF包络谱按顺序构建新的高维数据，输入到经遗传算法优化各隐藏层节点结构的DBN中，实现变负载下滚动轴承的多状态识别。在运用DBN进行滚动轴承10种状态识别过程中，训练数据采用某种负载，测试数据选用其他负载的情况下，EEMD‑Hilbert包络谱比时域或频域幅值谱能更好地体现出滚动轴承不同负载下的多状态特征，具有更高的识别率。
-
公开(公告)号：CN113723491B
公开(公告)日：2024-12-06
申请号：CN202110976619.6
申请日：2021-08-24
Applicant: 哈尔滨理工大学
IPC: G06V10/774 , G06V10/764 , G06V10/82 , G06T7/00 , G06N3/0464 , G06N3/084 , G06N3/096 , G06N3/0895
Abstract: 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法，涉及机械部件故障诊断技术领域，用以解决现有故障诊断模型由于没有考虑不同部件振动信号之间的差别或实际训练样本中含标签样本极少而导致旋转机械部件故障诊断率不佳的问题。本发明基于VGG‑16深度卷积网络训练故障诊断模型，首先提出引用SAdam梯度下降算法来优化源域的VGG‑16深度卷积网络以形成预训练模型，防止负迁移；然后将自监督与深度迁移学习结合，提出一种利用改进的SimCLR对比学习框架提升迁移后神经网络模型识别能力的方法，并更改SimCLR对比学习框架中投影头激活函数为Swish函数；进一步结合少量带标签训练样本进行微调共同训练获得故障诊断模型。本发明可应用于机械部件故障状态分类判断之中。
-
公开(公告)号：CN112051853B
公开(公告)日：2023-04-07
申请号：CN202010986659.4
申请日：2020-09-18
Applicant: 哈尔滨理工大学
Abstract: 本发明涉是一种基于机器视觉的智能避障系统及方法，尤其涉及基于机器视觉的智能避障旅行箱(小车)，属于智能机器人技术领域，目的是解决现有技术中智能跟随旅行箱无法紧急避障，自动行走过程不便捷、不够智能的问题，本发明包括机器硬件驱动和软件数据处理两部分；机器硬件驱动包括于单片机、驱动板和摄像机；软件数据处理包括图像获取模块、摄像机标定模块、图像处理模块和机器视觉实现模块，图像处理自动识别目标实现自动跟随功能，实现自动避障，识别障碍物，使得智能旅行箱(小车)更加便捷，极大地减轻人们出行的负担。
-
公开(公告)号：CN115560983A
公开(公告)日：2023-01-03
申请号：CN202211214916.8
申请日：2022-09-30
Applicant: 哈尔滨理工大学
IPC: G01M13/04 , G01M13/045 , G06N3/04 , G06N20/00
Abstract: 本发明提出一种基于联邦特征迁移学习的不同工况下滚动轴承故障诊断方法及系统，涉及滚动轴承故障诊断技术领域。本发明的技术要点包括：对滚动轴承时域振动数据做小波变换得到时频谱图，将先验的有标签公共数据作为源域，多用户无标签孤岛隐私数据作为目标域；引入多表示特征提取结构对原始残差网络进行改进，提取源域和目标域的多表示特征，分别构建多用户本地模型；使用深度神经网络的模型压缩思想改进联邦迁移学习框架中的参数传递策略，增强联邦框架的安全性并降低通信开销；在服务器端构建可用于不同工况下滚动轴承故障诊断的联邦全局模型。本发明无需多用户共享数据即可整合孤岛数据知识，具有较高的准确率和较强的泛化性。
-
公开(公告)号：CN112924177B
公开(公告)日：2022-07-19
申请号：CN202110360639.0
申请日：2021-04-02
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06V10/44 , G06V10/762 , G06V10/77 , G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种改进深度Q网络的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域，用以解决现有技术中在应用深度强化学习对滚动轴承故障进行诊断时，由于数据分布不平衡或变负载导致的诊断准确率过低的问题。本发明的技术要点包括：把k‑means算法中样本到中心点的距离作为回报值的偏置，以不平衡比为基准，为训练集构建具有个性化的回报函数，同时通过改进的残差网络(Resnet‑18)实现特征的深层提取；智能体将新的回报函数和时频图作为输入，在每个时间步长执行诊断动作，判断并返回回报值；最终智能体学会不平衡数据下的故障诊断策略。本发明方法在滚动轴承数据不平衡和变负载下故障诊断结果表现优异，可用于对滚动轴承不同故障诊断的实际操作中。
-
Patent Agency Ranking
公开(公告)号：CN111721536B
公开(公告)日：2022-05-27
申请号：CN202010636625.2
申请日：2020-07-20
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种改进模型迁移策略的滚动轴承故障诊断方法，属于滚动轴承故障诊断技术领域。针对源域与目标域中相同状态数据分布差异大的问题而提出。利用小波变换获取不同型号轴承振动信号的时频谱并构建图像数据集；选择某种型号的数据作为源域，其他型号数据作为目标域；使用源域数据训练ResNet‑34深度卷积网络，得到源域数据分类模型；利用隐式渐变元学习自适应决定迁移知识层级及知识内容实现模型迁移策略的改进，避免异构体系结构中梯度不易收敛现象；将迁移的知识引入目标域ResNet‑152卷积神经网络数据训练的过程中通过参数传递实现模型迁移；在训练源域与目标域网络时采用随机梯度下降算法优化网络参数，建立不同型号滚动轴承的故障诊断模型。
-
公开(公告)号：CN113723491A
公开(公告)日：2021-11-30
申请号：CN202110976619.6
申请日：2021-08-24
Applicant: 哈尔滨理工大学
Abstract: 一种半监督模型对比迁移的滚动轴承及齿轮故障诊断方法，涉及机械部件故障诊断技术领域，用以解决现有故障诊断模型由于没有考虑不同部件振动信号之间的差别或实际训练样本中含标签样本极少而导致旋转机械部件故障诊断率不佳的问题。本发明基于VGG‑16深度卷积网络训练故障诊断模型，首先提出引用SAdam梯度下降算法来优化源域的VGG‑16深度卷积网络以形成预训练模型，防止负迁移；然后将自监督与深度迁移学习结合，提出一种利用改进的SimCLR对比学习框架提升迁移后神经网络模型识别能力的方法，并更改SimCLR对比学习框架中投影头激活函数为Swish函数；进一步结合少量带标签训练样本进行微调共同训练获得故障诊断模型。本发明可应用于机械部件故障状态分类判断之中。
-
公开(公告)号：CN112924177A
公开(公告)日：2021-06-08
申请号：CN202110360639.0
申请日：2021-04-02
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06K9/46 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 一种改进深度Q网络的滚动轴承故障诊断方法，涉及滚动轴承故障诊断技术领域，用以解决现有技术中在应用深度强化学习对滚动轴承故障进行诊断时，由于数据分布不平衡或变负载导致的诊断准确率过低的问题。本发明的技术要点包括：把k‑means算法中样本到中心点的距离作为回报值的偏置，以不平衡比为基准，为训练集构建具有个性化的回报函数，同时通过改进的残差网络(Resnet‑18)实现特征的深层提取；智能体将新的回报函数和时频图作为输入，在每个时间步长执行诊断动作，判断并返回回报值；最终智能体学会不平衡数据下的故障诊断策略。本发明方法在滚动轴承数据不平衡和变负载下故障诊断结果表现优异，可用于对滚动轴承不同故障诊断的实际操作中。
-
公开(公告)号：CN111680446A
公开(公告)日：2020-09-18
申请号：CN202010032285.2
申请日：2020-01-11
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06K9/62 , G06K9/46 , G06K9/00 , G01M13/045
Abstract: 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法，属于滚动轴承剩余寿命预测领域，解决现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题。首先对由快速傅里叶变换得到的滚动轴承频域信号进行迭代计算，得到迭代特征。将多粒度级联森林中的多粒度扫描结构替换为卷积神经网络，利用卷积神经网络提取迭代特征的深层特征，并构建性能退化特征集。然后对可实现GPU并行加速的单一CatBoost模型进行集成，引入决定系数R2构建CasCatBoost结构以提高模型的表征能力，选取模型最后一个级联层的平均寿命百分比p表示输出。最后运用一次函数对p进行拟合，预测出轴承的剩余寿命。本方法具有较高的运算效率和预测精度。
-
公开(公告)号：CN109187025B
公开(公告)日：2020-04-07
申请号：CN201811098852.3
申请日：2018-09-19
Applicant: 哈尔滨理工大学
IPC: G01M13/045
Abstract: 一种集成KELM的滚动轴承剩余使用寿命预测方法，属于轴承寿命预测技术领域。本发明为了解决现有的滚动轴承剩余使用寿命预测存在预测困难、预测精度低的问题。该方法首先基于变分模态分解对振动信号进行特征提取，并引入一种新型的相似性降维方法进行特征降维，进一步提取单调性、相似性和稳定性较强的特征‑CEF；将多个轴承提取的CEF作为KELM的输入，当前使用寿命与全寿命的比值p即寿命百分比作为输出，建立多个KELM模型，再结合随机森林构建集成KELM预测模型，得到当前预测结果p值；将测试轴承的CEF输入到预测模型中，预测出当前的p值，并运用二阶指数平滑法进行拟合，预测出轴承的RUL。实验验证，所提预测方法与其它文献相比具有更高的预测准确率。
-
-
-
-
-
-
-
-
-
Search Results
102
records
(took 0.027 seconds)
