-
公开(公告)号：CN113792610B
公开(公告)日：2024-05-31
申请号：CN202110959720.0
申请日：2021-08-20
Applicant: 上海智能制造功能平台有限公司 , 上海交通大学
IPC: G06F18/213 , G06F18/24 , G06F30/17 , G06F30/27 , G06F111/08
Abstract: 本发明公开了一种谐波减速器健康评估方法及装置，其中健康评估方法包括：采集谐波减速器的转速和扭矩数据；提取转速和扭矩数据的时域特征，并将时域特征转化为高维特征矢量；利用降维算法将高维特征矢量转化为低维特征；将低维特征通过马氏距离度量得到距离集；将距离集转化为健康指标；将健康指标与健康阈值对比，高于健康阈值为健康。本发明提出一种基于数据驱动的方法，采集实际运行过程中的信号，方便快速地分析健康性能，缓解了基于模型方法依赖较多物理假设的技术问题。
-
公开(公告)号：CN110991544B
公开(公告)日：2023-04-28
申请号：CN201911259308.7
申请日：2019-12-10
Applicant: 上海交通大学 , 上海智能制造功能平台有限公司
IPC: G06V10/764 , G06V10/77 , G06V10/774
Abstract: 本发明公开了一种基于PICA‑VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法，该方法的步骤如下：采集轴向柱塞泵壳体处的振动信号并构建初始样本集；采用小波包自适应阈值对原始信号进行去噪；对去噪后的信号进行PICA‑VMD变换得出对应的Hilbert边际谱，提取边际谱中的边际谱幅值作为故障特征并构建特征集；采用PCA法对提取的故障特征进行降维；最后将降维后的故障特征集输入到多分类SVM模型内完成空化等级的识别。本发明方法能有效地识别出轴向柱塞泵的空化等级，Hilbert边际谱幅值能够较好地反映微弱的轴向柱塞泵空化故障特征。
-
公开(公告)号：CN113221458B
公开(公告)日：2023-04-07
申请号：CN202110534801.6
申请日：2021-05-17
Applicant: 上海交通大学 , 上海智能制造功能平台有限公司
IPC: G06F30/27 , G06F30/17 , E21D9/08 , G06N3/0442 , G06N3/08
Abstract: 本发明提供了一种盾构刀盘扭矩多步预测方法和系统，包括：采集刀盘扭矩信号并预处理为刀盘扭矩序列；利用VMD分解法将刀盘扭矩序列分解为多个子序列和残差序列，通过EWT分解法对残差序列进行进一步分解；对扭矩子序列进行归一化并输送至LSTM神经网络；构建盾构刀盘扭矩神经网络多步预测模型并进行训练；对预设未来时刻的刀盘扭矩数值进行预测；根据预设未来时刻的刀盘扭矩数值分别计算均方根误差、平均绝对误差和平均绝对百分误差，测试刀盘扭矩的预测精度。本发明实现了高精度的刀盘扭矩实时多步预测，有助于指导司机提前调整盾构机的操作参数，实现盾构机的高效安全推进，从而提升盾构机的自动化和智能化水平。
-
公开(公告)号：CN113738629B
公开(公告)日：2023-03-14
申请号：CN202110984812.4
申请日：2021-08-24
Applicant: 上海交通大学 , 上海智能制造功能平台有限公司
Abstract: 本发明公开了一种柱塞泵旋转组件绕流损失模拟测量方法：将测试泵缸体轴的伸出端连接扭矩传感器，扭矩传感器连接驱动电机；将测试泵壳体内的油液排出，使壳体内的缸体轴和柱塞与油液分离，启动驱动电机，通过扭矩传感器测得空载状态下的摩擦力矩M0；将柱塞置于缸体轴内部，油液注满壳体内部，启动驱动电机，缸体轴参与绕流运动，通过扭矩传感器测得绕流阻力矩M1；将柱塞露出缸体轴外部，油液注满壳体内部，启动驱动电机，缸体轴和柱塞均参与绕流运动，通过扭矩传感器测得绕流阻力矩M2；缸体轴在充液壳体内的绕流阻力矩Mc＝M1‑M0；柱塞在充液的壳体内的绕流阻力矩Mp＝M2‑M1。
-
公开(公告)号：CN114748815B
公开(公告)日：2022-10-14
申请号：CN202210416247.6
申请日：2022-04-20
Applicant: 上海交通大学 , 上海智能制造功能平台有限公司
Abstract: 本发明提供了一种涉及新能源汽车、消防领域的电动汽车电池自动灭火器及其电动汽车，包括伺服减速电机、联轴器、齿轮箱输入轴、齿轮箱、齿条、刀具、CO灭火器、圆箍以及灭火器基座，伺服减速电机通过联轴器与齿轮箱上的齿轮箱输入轴相连接，齿轮箱通过齿条与刀具连接，刀具下方连接灭火器，灭火器连接于灭火器基座上，灭火器基座连接于齿轮箱上；伺服减速电机正转，使刀具刺穿灭火器，伺服减速电机反转，使刀具从灭火器中拔出，伺服减速电机继续反转，齿轮箱带动灭火器旋转直至偏离刀具，使灭火器的喷射不受刀具的影响。本发明不仅具有良好的响应稳定性与复用性，占用空间小，可长期存放，且只通过一个伺服减速电机控制，控制系统更加简洁且稳定。
-
Patent Agency Ranking
公开(公告)号：CN114048958A
公开(公告)日：2022-02-15
申请号：CN202111216259.6
申请日：2021-10-19
Applicant: 上海交通大学 , 上海智能制造功能平台有限公司
Abstract: 本发明提供一种基于深度卷积残差收缩网络的刀具磨损预测方法和系统，包括：采集机床振动、切削力以及电机电流信号；对采集的信号进行降采样、截断和归一化预处理，作为刀具磨损预测模型的输入信号；构建残差收缩单元，提取输入信号的深层次特征并过滤噪声干扰；构建深度卷积残差收缩网络刀具磨损预测模型融合多种传感器信号并进行训练；通过训练后的刀具磨损预测模型，使用采集的传感器信号对刀具磨损量进行预测；计算均方根误差、平均绝对误差和决定系数，测试刀具磨损的预测精度。本发明实现高精度且具有良好抗噪性能的刀具磨损预测，有助于指导机械加工过程中刀具的更换，实现机床刀具的预测性维护，从而提升机床的自动化和智能化水平。
-
公开(公告)号：CN115559737A
公开(公告)日：2023-01-03
申请号：CN202210396985.9
申请日：2022-04-15
Applicant: 上海交通大学 , 上海智能制造功能平台有限公司
Abstract: 本发明提供了一种基于深度残差网络的盾构机刀盘结泥饼诊断方法和系统，包括：步骤1：采集盾构机掘进过程中的掘进参数并进行预处理，得到掘进参数序列；步骤2：对掘进参数序列中的每个掘进参数进行时域特征提取；步骤3：采用最小‑最大法对提取出的时域特征进行归一化并输送至深度残差网络；步骤4：构建盾构机刀盘结泥饼诊断神经网络模型并进行训练；步骤5：对预设时刻的结泥饼状况进行诊断；步骤6：根据预设数据集的实际值分别计算准确率和f1分数，评估结泥饼诊断的效果。本发明实现了对盾构机结泥饼状况的实时准确诊断，有助于指导司机及时发现刀盘结泥饼状况，及时进行处理，实现高效安全施工，提升盾构机的自动化和智能化水平。
-
公开(公告)号：CN115344950A
公开(公告)日：2022-11-15
申请号：CN202110520861.2
申请日：2021-05-13
Applicant: 上海交通大学 , 上海智能制造功能平台有限公司
IPC: G06F30/17 , G06F30/27 , G06F111/08 , G06F119/10
Abstract: 一种基于DCAE与最大均值差异的滚珠丝杠健康评估方法，通过采集滚珠丝杠在正常性能下工作时的信号以生成训练样本对去噪卷积自编码器进行训练，将训练样本输入训练后的去噪卷积自编码器得到基线特征，通过采集待评估滚珠丝杠的工作信号并生成待评估样本，经训练后的去噪卷积自编码器提取得到样本特征；再根据基线特征与样本特征的最大均值差异值映射为待评估滚珠丝杠的健康值。本发明仅需获取滚珠丝杠在非常健康状态下的信号即可建立模型，无需多个退化状态下的数据以建立关键特征。
-
公开(公告)号：CN114748815A
公开(公告)日：2022-07-15
申请号：CN202210416247.6
申请日：2022-04-20
Applicant: 上海交通大学 , 上海智能制造功能平台有限公司
Abstract: 本发明提供了一种涉及新能源汽车、消防领域的电动汽车电池自动灭火器及其电动汽车，包括伺服减速电机、联轴器、齿轮箱输入轴、齿轮箱、齿条、刀具、CO灭火器、圆箍以及灭火器基座，伺服减速电机通过联轴器与齿轮箱上的齿轮箱输入轴相连接，齿轮箱通过齿条与刀具连接，刀具下方连接灭火器，灭火器连接于灭火器基座上，灭火器基座连接于齿轮箱上；伺服减速电机正转，使刀具刺穿灭火器，伺服减速电机反转，使刀具从灭火器中拔出，伺服减速电机继续反转，齿轮箱带动灭火器旋转直至偏离刀具，使灭火器的喷射不受刀具的影响。本发明不仅具有良好的响应稳定性与复用性，占用空间小，可长期存放，且只通过一个伺服减速电机控制，控制系统更加简洁且稳定。
-
公开(公告)号：CN113297704A
公开(公告)日：2021-08-24
申请号：CN202110672801.2
申请日：2021-06-17
Applicant: 上海交通大学 , 上海智能制造功能平台有限公司
Abstract: 本发明提供了一种基于混合深度神经网络的谐波减速器功率实时预测方法及系统，包括：搭建谐波减速器加速寿命试验平台，采集谐波减速器的运行及监测参数；基于采集到的运行及监测参数构造数据集，并对数据集进行预处理；将预处理后的数据集按照预设比例划分为训练集、验证集和测试集；利用训练集训练混合深度神经网络，得到训练后的混合深度神经网络；利用训练后的混合深度神经网络预测验证集的功率信号，计算验证集数据的预测误差，当预测误差未满足预设要求时，调整训练后的混合深度神经网络的超参数，直至预测误差满足预设要求；将对应测试集数据输入调整后训练好的混合深度神经网络，对下一时刻功率信号进行预测。
-
-
-
-
-
-
-
-
-
Search Results
396
records
(took 0.073 seconds)
