-
公开(公告)号：CN117313534A
公开(公告)日：2023-12-29
申请号：CN202311268686.8
申请日：2023-09-28
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06F18/214 , G06N3/0464 , G06N3/0442 , G06N3/092 , G06F119/02
Abstract: 本发明公开了一种基于TD3优化模型更新策略的滚动轴承剩余寿命预测方法及系统，涉及滚动轴承使用寿命预测技术领域，用以解决现有滚动轴承寿命预测模型在更新过程中存在模型退化及预测精度较低的问题。本发明的技术要点包括：利用连续小波变换将滚动轴承振动数据变换为二维时频谱图，构建数据集；引入深度强化学习，设计状态、动作、奖励值、损失函数等元素，用于训练CNN‑BiLSTM预测模型；利用TD3算法的延迟和软更新策略，降低CNN特征网络更新频率，并设计新的损失函数，进而建立新的模型更新策略，解决预测模型退化问题。本发明可实现滚动轴承剩余寿命的准确预测。
-
公开(公告)号：CN109918923B
公开(公告)日：2023-08-25
申请号：CN201910075280.5
申请日：2019-01-25
Applicant: 哈尔滨理工大学
Abstract: 一种基于DNA编码的多通道彩色图像混沌加密方法，涉及数字图像加密领域，针对现有图像混沌加密方案存在不足以及高维连续时间混沌系统离散过程算法复杂，以致加密图像安全性低、获取离散混沌序列耗时的问题而提出的。利用六维离散超混沌系统产生六组混沌序列，由哈希函数SHA‑256产生系统迭代初始值；提取彩色图像的RGB分量，对各分量作DNA编码分别得到DNA矩阵并合并，构建重组DNA矩阵，同时执行行列置乱操作；然后，将置乱DNA矩阵拆分成三个大小相同的矩阵，分别与DNA编码后的三个混沌密钥矩阵作DNA计算，再对得到的矩阵执行DNA解码操作；对解码矩阵执行扩散加密操作，加密轮数由SHA‑256决定。加密效果好，安全性高。
-
公开(公告)号：CN116465628A
公开(公告)日：2023-07-21
申请号：CN202310239905.3
申请日：2023-03-13
Applicant: 哈尔滨理工大学
IPC: G01M13/04 , G01M13/045 , G06F18/214 , G06F18/24 , G06N3/0464 , G06N3/08
Abstract: 一种基于改进多源域异构模型参数传递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。本发明是针对实际工业生产中不同规格和工况下滚动轴承振动数据分布差异大，多个相似数据集资源利用不充分，导致诊断模型准确率不高的问题而提出的。该方法利用短时傅里叶变换获取滚动轴承振动信号的时频谱图；选择多种不同规格和工况下已知标签数据作为多源域，其他规格和工况下少量已知标签数据作为目标域；使用多个源域数据训练多个ResNet‑34深度网络，并提出利用基于进化策略的与模型无关元学习改进异构模型参数迁移策略，使其能够自适应决定迁移到目标域的知识层级及内容；提出将源域知识迁移到VGG‑16深度网络得到多个目标域模型后，将其提取的特征依次输入同一个极限学习机中实现模型集成，通过极限学习机输出分类结果，最终建立滚动轴承故障诊断模型。经实验验证，所提方法可实现不同规格和工况下滚动轴承间的移诊断问题，并且具有较高的准确率。
-
公开(公告)号：CN112964469B
公开(公告)日：2022-05-27
申请号：CN202110222369.7
申请日：2021-02-28
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06N3/04 , G06N3/08 , G06K9/62 , G06V10/764 , G06V10/82
Abstract: 一种迁移学习的变负载下滚动轴承在线故障诊断方法，属于故障诊断技术领域，用以解决现有离线训练方式的深度迁移方法不能有效保证变负载下滚动轴承在线故障诊断中的建模效率和准确率问题。本发明的技术要点包括：首先将原始时域振动信号作STFT处理，构建二维频谱数据集；然后使用源域数据训练源域CNN‑ISVM模型，得到源域分类模型，保存模型参数并将其迁移至目标域CNN‑ISVM训练过程中；最后通过在线数据对目标域CNN‑ISVM模型中的ISVM分类器进行更新修正，实现变负载下滚动轴承多状态在线识别。本发明方法极大地减少了模型训练时间和计算量，具有较高的建模效率，同时具有较高的准确率和良好的泛化性；对滚动轴承在实际工作中故障的在线监测与快速诊断有着重要的指导意义。
-
公开(公告)号：CN110941928B
公开(公告)日：2022-05-24
申请号：CN201911178691.3
申请日：2019-11-26
Applicant: 哈尔滨理工大学
IPC: G06F30/27 , G06N3/04 , G06N3/08 , G06F119/04
Abstract: 一种基于dropout‑SAE和Bi‑LSTM的滚动轴承RUL预测方法，属于轴承运行状态的预测领域。本发明为了解决现有的滚动轴承RUL预测方法存在模型训练时间较长且预测准确率较低的问题。本发明提出一种改进的SAE，即dropout‑SAE对滚动轴承振动信号进行无监督的深层特征自适应提取，该网络应用一种新的Tan激活函数替代原有的sigmoid激活函数，并采用dropout方法实现其稀疏性；同时，考虑到滚动轴承剩余使用寿命预测方法一般仅考虑过去信息而忽略未来信息，提出引入双向长短时记忆网络作为滚动轴承RUL的预测模型。在2个轴承数据集上的实验结果均表明，所提预测方法不仅可以提高模型的收敛速度而且具有较高的准确率。
-
Patent Agency Ranking
公开(公告)号：CN111442926B
公开(公告)日：2021-09-21
申请号：CN202010034456.5
申请日：2020-01-11
Applicant: 哈尔滨理工大学
IPC: G01M13/045 , G06N3/04 , G06N3/08
Abstract: 一种基于深层特征迁移的变负载下不同型号滚动轴承故障诊断方法，属于滚动轴承故障诊断领域，针对带有轴承型号、负载大小、损伤位置及程度标签的数据稀缺甚至无法获取，导致故障诊断准确率不高甚至无法诊断的问题而提出。首先对不同型号滚动轴承振动信号进行短时傅立叶变换，并构建二维图像数据集，选择某种型号数据作为源域，其他型号数据作为目标域；其次构建领域共享的改进AlexNet深度卷积网络引入条件对抗机制，将特征与标签联合分布的优化方法改进为随机线性组合提取深层特征，实现源域和目标域特征及标签的同时自适应；最后建立变负载下不同型号滚动轴承的故障诊断模型。实现变负载下不同型号滚动轴承多状态的精细分类并获得较高的准确率。
-
公开(公告)号：CN109525435B
公开(公告)日：2021-06-29
申请号：CN201811539747.9
申请日：2018-12-14
Applicant: 哈尔滨理工大学
Abstract: 一种电网业务服务器运行状态预警方法，属于智能电网技术领域，为了解决针对电网业务服务器运行状态难以人工监测的问题，本发明方法主要分为两个部分，一是确定警报阈值，该部分基于切比雪夫不等式与改进型的瑞利分布，再结合小概率事件的定义，确定警报上限值，求出参数ε，并确定异常的可能性；二是基于BP网络模型进行时序预测，该部分与第一个部分研究结果进行综合分析，对未来的数据点进行预警，达到提前发现问题的目的。通过实验研究表明，利用所提方法设定的警报阈值，能在保证科学性的前提下对数据异常点进行预警，并确定某一数据点有多大的可能性是异常点，达到对异常数据预警的目的。
-
公开(公告)号：CN109934975B
公开(公告)日：2021-04-06
申请号：CN201811539748.3
申请日：2018-12-14
Applicant: 哈尔滨理工大学
Abstract: 一种基于云平台和ZigBee的开放实验室智慧导游系统，涉及实验室智能化管控技术领域。本发明为了解决实验室管理的智能化问题。所述系统包括作为控制中心的ZigBee协调器、无线门禁、实验室学生专用设备的终端节点、实验室共用设备的终端节点、远程控制子系统；将ZigBee技术与云平台相结合，为参观人员进行多种语言的智能导游语音讲解。门禁系统利用ZigBee与NFC技术实现实验室智能门禁管理。管理人员可以通过Android客户端实现对实验室内基础设施与实验设备的远程控制。学生通过实验室网络管理子系统实现实验室的实时开放预约管理。实验验证本发明在提高实验室管理效率、加强实验室智能管理等方面具有较好的效果。
-
公开(公告)号：CN112101220A
公开(公告)日：2020-12-18
申请号：CN202010971076.4
申请日：2020-09-15
Applicant: 哈尔滨理工大学
Abstract: 一种无监督模型参数迁移的滚动轴承寿命预测方法，属于滚动轴承状态识别及剩余寿命预测技术领域。本发明针对实际中某种工况滚动轴承带标签振动数据获取困难，健康指标难以构建及寿命预测误差大的问题而提出的。该方法首先对滚动轴承全寿命周期振动数据提取均方根特征，并引入新的自下而上时间序列分割算法将特征序列分割为正常期、退化期和衰退期3种状态；对振动信号经快速傅里叶变换后的幅值序列进行状态信息标记，并作为改进全卷积神经网络的输入，提取深层特征，经训练构建源域模型和微调后的状态识别模型，实现滚动轴承多状态识别；利用状态概率估计法建立滚动轴承寿命预测模型。实验验证，所提方法无需构建健康指标，可实现无监督条件下不同工况滚动轴承状态识别和寿命预测，并获得较好的效果。
-
公开(公告)号：CN111721536A
公开(公告)日：2020-09-29
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。
-
-
-
-
-
-
-
-
-
Search Results
154
records
(took 0.028 seconds)
