-
公开(公告)号：CN113743585B
公开(公告)日：2023-10-13
申请号：CN202110940661.2
申请日：2021-08-17
Applicant: 山东科技大学
IPC: G06N3/048 , G06N3/0464 , G06F18/214 , G06F18/10 , G06F18/213 , G01M13/045
Abstract: 本发明公开了一种基于快速非线性盲解卷积的旋转机械早期故障诊断方法，涉及基于振动信号的旋转机械早期故障诊断技术领域。方法包括以下步骤：输入信号前处理：对采集的振动信号样本进行Z‑Score归一化，确定滤波器的长度并构造故障信号的Hankel矩阵。非线性特征激活：确定尺度因子和平移因子，通过广义非线性Sigmoid函数，对样本进行激活。构建目标函数：对特征向量进行L2范数归一化，约束滤波器能量，求出L1范数，并添加滤波器L1/2范数惩罚项，构造出目标函数。模型训练并输出故障特征；故障类型诊断。本发明通过最小化特征向量的广义非线性L1/2范数，并引入L1/2范数惩罚项并约束滤波器能量，具有更好的噪声适应能力、计算效率和鲁棒性。
-
公开(公告)号：CN116242605A
公开(公告)日：2023-06-09
申请号：CN202310094634.7
申请日：2023-02-06
Applicant: 山东科技大学
IPC: G01M13/028 , G01M13/021 , F03D17/00 , G06N3/048
Abstract: 本发明公开了一种基于非线性快速霍耶谱的齿轮故障诊断方法，涉及振动信号智能故障诊断技术领域，包括如下步骤：获取齿轮故障振动信号；对获取的齿轮故障振动信号进行Z‑score归一化处理，对归一化处理后的信号进行非线性激活；确定信号的最大分解层数K；根据1/3二叉树结构及最大分解层数K对激活后的信号进行频带划分，形成频率分割树状图；基于标准低通FIR滤波器构造低通滤波器和高通滤波器，并根据树状图迭代生成滤波器组；构建霍耶谱；根据最佳共振频带的中心频率及带宽构造带通滤波器，对激活后的信号进行滤波；对滤波后的信号进行平方包络计算，并根据平方包络谱对齿轮进行故障分析。本发明的诊断方法具有更好的准确性和鲁棒性。
-
公开(公告)号：CN115630334A
公开(公告)日：2023-01-20
申请号：CN202211320657.7
申请日：2022-10-26
Applicant: 山东科技大学
IPC: G06F18/25 , G06F18/241 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明属于机械故障数据识别技术领域，公开了基于CBAM的多通道特征融合的跨域机械故障诊断方法及应用。该方法包括：采用卷积神经网络对原始信号组成的灰度图进行初步特征提取，获得高层特征，利用全连接层模块对高层特征进行压缩；使用卷积块注意力模块再进行深层次的多传感器特征提取；再经过卷积块注意力模块对提取的多传感器特征进行融合，获得多传感器融合特征；将多传感器融合特征输入标签分类器获得故障诊断结果。本发明采用一种最新的多通道域适应的故障诊断方法，高效实现不同工况下轴承的智能故障诊断任务。
-
公开(公告)号：CN113743585A
公开(公告)日：2021-12-03
申请号：CN202110940661.2
申请日：2021-08-17
Applicant: 山东科技大学
IPC: G06N3/04 , G06K9/62 , G06K9/00 , G01M13/045
Abstract: 本发明公开了一种基于快速非线性盲解卷积的旋转机械早期故障诊断方法，涉及基于振动信号的旋转机械早期故障诊断技术领域。方法包括以下步骤：输入信号前处理：对采集的振动信号样本进行Z‑Score归一化，确定滤波器的长度并构造故障信号的Hankel矩阵。非线性特征激活：确定尺度因子和平移因子，通过广义非线性Sigmoid函数，对样本进行激活。构建目标函数：对特征向量进行L2范数归一化，约束滤波器能量，求出L1范数，并添加滤波器L1/2范数惩罚项，构造出目标函数。模型训练并输出故障特征；故障类型诊断。本发明通过最小化特征向量的广义非线性L1/2范数，并引入L1/2范数惩罚项并约束滤波器能量，具有更好的噪声适应能力、计算效率和鲁棒性。
-
公开(公告)号：CN118568549A
公开(公告)日：2024-08-30
申请号：CN202411025366.4
申请日：2024-07-30
Applicant: 山东科技大学
IPC: G06F18/24 , G06F18/2131 , G06F18/15 , G01M13/045
Abstract: 本发明公开了基于熵特征与稀疏滤波网络的轴承声信号故障诊断方法，涉及旋转设备故障诊断领域，包括：采集目标轴承声信号；信号分解为IMF分量；评价指标筛选IMF分量；信号重构；提取小波包能量熵特征；特征集划分；训练稀疏滤波网络模型；测试稀疏滤波网络模型；故障诊断。本发明对轴承声信号进行EEMD获得若干个本征模态函数IMF，并根据评价指标选出能够表征原始信号状态的分量进行信号重构，利用小波包分解技术对重构信号进行处理，提取其能量熵特征；最后将能量熵特征以重叠方式划分为训练样本和测试样本，用训练样本训练稀疏滤波网络模型，并用测试样本进行测试。当模型训练完成后用于故障诊断，可实现对目标机械新获取的声信号数据进行故障分类。
-
Patent Agency Ranking
公开(公告)号：CN115630334B
公开(公告)日：2024-05-03
申请号：CN202211320657.7
申请日：2022-10-26
Applicant: 山东科技大学
IPC: G06F18/25 , G06F18/241 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明属于机械故障数据识别技术领域，公开了基于CBAM的多通道特征融合的跨域机械故障诊断方法及应用。该方法包括：采用卷积神经网络对原始信号组成的灰度图进行初步特征提取，获得高层特征，利用全连接层模块对高层特征进行压缩；使用卷积块注意力模块再进行深层次的多传感器特征提取；再经过卷积块注意力模块对提取的多传感器特征进行融合，获得多传感器融合特征；将多传感器融合特征输入标签分类器获得故障诊断结果。本发明采用一种最新的多通道域适应的故障诊断方法，高效实现不同工况下轴承的智能故障诊断任务。
-
公开(公告)号：CN114861749A
公开(公告)日：2022-08-05
申请号：CN202210236017.1
申请日：2022-03-11
Applicant: 山东科技大学
IPC: G06K9/62 , G01M13/045
Abstract: 本发明公开了一种基于深度原型网络的少样本轴承故障诊断方法，涉及轴承故障诊断技术技术领域，包括：支持集原型计算：采用改进的k‑means++聚类算法计算支持集中每个故障类别的原型；查询集判别分类：将支持集原型应用到查询集的判别分类中；查询集样本聚合：构造原型损失；测试集样本测试：测试集样本经过更新后的特征提取器处理后，将与每个已知故障类别的原型进行距离测量。本发明利用特征聚类算法k‑means++计算每个已知类的原型，通过计算标记后的目标样本到原型的欧氏距离，将标记后的目标样本分配到距离最近的原型类中。还构造原型损失以增强故障标记样本与对应原型之间的紧凑性，既可识别已知故障类别样本，又能有效地剔除来自未知类别的故障样本。
-
公开(公告)号：CN112487890B
公开(公告)日：2022-03-04
申请号：CN202011285521.8
申请日：2020-11-17
Applicant: 山东科技大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G01M13/045
Abstract: 本发明提供了一种基于并行稀疏滤波的轴承声信号故障诊断方法，A、建立用于故障诊断结果的分类样本：选取若干不同健康状态的轴承作为训练样本，对各种状况轴承署名相应状况标签，通过非接触式的声传感器采集不同状况轴承旋转时的声信号；采用固定步长的卷积操作对声信号样本做逐步取段处理，组成训练样本集；将训练样本集输入并行稀疏滤波模型中训练出权值矩阵；将所有提取的最终特征及其相应状况标签，输入到softmax分类器中得出用于故障诊断结果的分类样本；B、对检测工件进行状况类型诊断：将检测样本通过softmax回归模型与全部分类样本进行一一对照拟合，对比出最相似的分类样本，相应的状况标签即为检测样本的状况类型。
-
公开(公告)号：CN119939220A
公开(公告)日：2025-05-06
申请号：CN202510084016.3
申请日：2025-01-20
Applicant: 山东科技大学
IPC: G06F18/213 , G06F18/241 , G06N3/0455 , G01M13/00
Abstract: 本发明公开了一种基于Gabor小波册的可解释性机械故障智能诊断方法，包括：构建100个包含不同频率成分的Gabor小波，用于组成自动编码器的初始权值矩阵，旨在引导模型提取多尺度和多方向的故障特征；仅选取10%的齿轮变转速样本作为训练样本，并通过随机取段的方式组建了训练样本集；随后，训练样本集被直接输入到Gabor小波初始化的自动编码器中训练，网络迭代步数被优化至仅需10次；接下来，利用训练后的权值矩阵，将原始样本映射为学习特征，并与类别标签相结合，共同训练Softmax regression分类器；剩余的90%齿轮变转速样本作为测试样本集，以验证并诊断故障类别。本发明不仅实现了网络权值的可解释性研究，更显著提升了齿轮在变转速条件下故障诊断的精确度与计算效率。
-
公开(公告)号：CN113686577B
公开(公告)日：2024-06-11
申请号：CN202110940650.4
申请日：2021-08-17
Applicant: 山东科技大学
IPC: G01M13/045 , G06F18/24 , G06F18/213 , G06F18/10
Abstract: 本发明公开了一种基于快速非线性稀疏谱的轴承故障诊断方法，涉及振动信号智能故障诊断技术领域。该方法包括以下步骤：预处理阶段，包括信号采集：将采集到的轴承故障振动信号作为输入样本；归一化处理：对采集的轴承故障信号y(n)进行Z‑score归一化处理，使处理后的样本数据都被归一化到均值为0、标准差为1的分布中，并采用Sigmoid函数进行非线性激活；确定最大分解层数K：根据信号的谱特征确定最大分解层数K；分频谱边界，重构信号，构建稀疏谱图，故障诊断。本方法通过引入pq‑mean这一稀疏表达取代了传统的峭度稀疏表达方式，并采用Z‑score归一化和非线性Sigmoid函数对样本数据进行预处理，较已有的故障诊断方法，具有更好的可调节性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.019 seconds)
