-
公开(公告)号：CN112539933A
公开(公告)日：2021-03-23
申请号：CN202011491965.7
申请日：2020-12-16
申请人： 东南大学
IPC分类号： G01M13/021 , G01M13/028
摘要： 本发明提供了一种基于共振基带宽傅立叶分解的齿轮箱故障诊断方法，共振基带宽傅立叶分解首先基于单自由度质量‑刚度‑阻尼系统建立齿轮箱的暂态振动响应模型，然后通过傅立叶谱极大值点搜索估计齿轮箱振动系统的自振频率并通过带宽优化提取原始信号中的共振带，最后根据特征频率比筛选出分解结果中包含故障信息较多的有效分量并通过希尔伯特解调实现齿轮箱故障的准确识别。本发明具有计算速度快、抗噪声能力强和故障识别精度高的特点，能有效应用于复杂噪声环境下的齿轮箱故障诊断。
-
公开(公告)号：CN112836570B
公开(公告)日：2024-02-06
申请号：CN202011498766.9
申请日：2020-12-16
申请人： 东南大学
IPC分类号： G06F18/2433 , G06F18/10 , G06V10/764 , G06V10/82 , G01M13/00 , G01M99/00 , G06N3/0475 , G06N3/045 , G06N3/094 , G06N3/084
摘要： 本发明公开了一种利用高斯噪声的设备异常检测方法，本发明无需大量故障样本，采用基于高斯噪声的生成对抗方式训练正常样本，得到用于映射潜向量映射空间的生成器，一旦异常样本经过生成器映射后脱离潜向量映射空间，即可实现异常检测。由于生成器是只匹配正常样本的，正常的振动图像经过生成器可以映射成原始定义的分布pg～N(0，1)，但是异常样本经过这个生成器无法匹配原始定义的分布，因为该生成器是仅用正常样本做生成对抗训练的。因此，在不同故障模式下的异常样本会以不同的方式偏离正常样本的潜向量映射空间，因此基于上述方法的异常检测模型可以实现不同故障模式的故障预警。
-
公开(公告)号：CN112577748A
公开(公告)日：2021-03-30
申请号：CN202011461492.6
申请日：2020-12-07
申请人： 东南大学
IPC分类号： G01M13/045 , G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明提供了一种基于强化的轻量级多尺度CNN的滚动轴承故障诊断方法，首先利用构建的CNN模型对原始振动信号进行多维度特征提取，随后将其输入轻量级多尺度特征学习网络提取多尺度特征，并对学到的多尺度特征利用判别性故障特征强化机制(DFRM)进行选择性强化，以增强故障特征，弱化一般性特征。然后将强化后的多尺度特征进行融合，重复上述步骤数次，将最终获得的高等级抽象特征映射输入分类器进行训练，最后根据训练好的CNN模型对待测样本进行故障识别，从而实现对滚动轴承的故障诊断。本发明弥补了传统CNN算法在面对复杂工况和强噪声干扰情况下判别性故障特征提取能力不够的缺陷，满足了工业物联网对深度学习模型提出的轻量级需求。
-
公开(公告)号：CN114861533A
公开(公告)日：2022-08-05
申请号：CN202210447856.8
申请日：2022-04-26
申请人： 东南大学
IPC分类号： G06F30/27 , G06N3/04 , G06N3/08 , G06F113/06 , G06F119/06
摘要： 本发明涉及一种基于时间卷积网络的风功率超短期预测方法，包括以下步骤：采集一定时间段内的实际发电功率数据，对数据进行预处理；将处理好的数据切分样本，划分为训练集、验证集和测试集；将训练集和验证集输入TCN‑CCA网络进行模型训练；TCN‑CCA网络由时间卷积网络和通道卷积注意力模块构成，通道卷积注意力模块设置在最后一个时间卷积模块与全连接层之间，通过计算注意力的概率分布对时间维度上的关键性输入特征分配更多的权重；将测试集输入到训练好的TCN‑CCA网络得到风功率超短期预测值。本发明实现了时间序列数据特征的自动提取特征，应用于风功率超短期预测任务，准确率更高、训练的参数较少、训练稳定。
-
公开(公告)号：CN112836570A
公开(公告)日：2021-05-25
申请号：CN202011498766.9
申请日：2020-12-16
申请人： 东南大学
摘要： 本发明公开了一种利用高斯噪声的设备异常检测方法，本发明无需大量故障样本，采用基于高斯噪声的生成对抗方式训练正常样本，得到用于映射潜向量映射空间的生成器，一旦异常样本经过生成器映射后脱离潜向量映射空间，即可实现异常检测。由于生成器是只匹配正常样本的，正常的振动图像经过生成器可以映射成原始定义的分布pg～N(0，1)，但是异常样本经过这个生成器无法匹配原始定义的分布，因为该生成器是仅用正常样本做生成对抗训练的。因此，在不同故障模式下的异常样本会以不同的方式偏离正常样本的潜向量映射空间，因此基于上述方法的异常检测模型可以实现不同故障模式的故障预警。
-
-
-
-
搜索结果
5 条记录 (耗时 0.022 秒)