-
公开(公告)号：CN119782890A
公开(公告)日：2025-04-08
申请号：CN202411955433.2
申请日：2024-12-28
Applicant: 兰州理工大学
IPC: G06F18/24 , G01M13/045 , G06F18/213 , G06F17/14 , G06F17/18 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于IPDSCS和Swin Transformer的轴承故障抗噪性诊断方法，包括：对轴承在不同工况下的振动信号进行采集，获得多组原始振动信号数据；对原始振动信号数据进行小波变换，转换为时频图像；构建基于改进的倒金字塔深度可分离卷积序列特征提取模型，对时频图像进行提取，得到多维度的特征向量；利用特征向量作为输入数据，基于Swin Transformer深度学习网络进行模型训练，建立轴承故障诊断模型；将待诊断的轴承振动信号输入轴承故障诊断模型，输出对应的故障类别。该方法通过小波变换去噪和IPDSCS特征提取方法，提高了信号处理的抗噪性；采用Swin Transformer网络对多维度特征进行多尺度建模，显著提升了故障诊断的精度和鲁棒性；实现对轴承故障的高精度诊断。
-
公开(公告)号：CN117516925A
公开(公告)日：2024-02-06
申请号：CN202311526466.0
申请日：2023-11-16
Applicant: 兰州理工大学
IPC: G01M13/021 , G06F18/24 , G06N3/0455 , G06N3/048 , G06N3/08 , G01M13/028
Abstract: 本发明公开了一种基于MSDC‑Swin‑T的齿轮箱故障诊断方法,涉及故障诊断技术领域，该方法包括如下步骤：获取齿轮箱的一维振动信号；对一维振动信号进行预处理；将预处理后的一维振动信号输入至训练好的MSDC‑Swin‑T诊断模型中进行故障诊断，输出齿轮箱故障诊断结果；MSDC‑Swin‑T诊断模型包括多尺度卷积令牌嵌入模块、Swin‑Transformer模块和softmax分类器。通过该方法可以在实现多尺度局部特征挖掘的基础上，减少计算量，提高齿轮箱故障诊断精度。
-
公开(公告)号：CN115481666B
公开(公告)日：2023-10-27
申请号：CN202211222893.5
申请日：2022-10-08
Applicant: 兰州理工大学
IPC: G06F18/241 , G06F18/214 , G06F18/25 , G06F18/10 , G06F18/213 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种齿轮箱小样本故障诊断方法、系统及设备，该方法包括：采集不同故障类型以及健康状态下的齿轮箱振动信号，并对故障振动信号设置故障类型标签，构建小样本训练数据集；基于奇异值分解的滤波处理，有效的降低振动信号的特征复杂度，并去除信号中的噪声成分；将小样本训练数据集输入到特征分割多尺度动态卷积网络中，故障类型标签作为网络的期望输出，进行训练；将需要诊断故障的齿轮箱振动信号输入网络中，得到故障诊断结果。该方法不仅可以学习少量的样本中的多尺度特征信息，而且可以自适应调整每个卷积层的权重，具有较强的特征学习能力；不仅可以诊断少量样本条件下的齿轮箱故障，而且具有良好的抗噪性能。
-
公开(公告)号：CN119830099A
公开(公告)日：2025-04-15
申请号：CN202411887458.3
申请日：2024-12-20
Applicant: 兰州理工大学
IPC: G06F18/241 , G06N3/042 , G06N3/0455 , G06N3/08 , G06F18/25 , G06F18/214
Abstract: 本发明公开了基于ES‑GAGFormer模型的节点分类方法及系统，属于图数据挖掘和大数据分析技术领域；该方法包括：结合ENN和SMOTE的综合采样方法与全局注意图Transformer构建ES‑GAGFormer模型；对ES‑GAGFormer模型进行训练；利用训练好的ES‑GAGFormer模型完成对目标不平衡数据节点分类。本发明在处理类不平衡任务时的效果显著优于现有技术，同时计算复杂度保持不变；并具有更好的鲁棒性，能够有效处理图数据挖掘中不平衡数据下的节点分类任务。
-
公开(公告)号：CN117516925B
公开(公告)日：2024-10-08
申请号：CN202311526466.0
申请日：2023-11-16
Applicant: 兰州理工大学
IPC: G01M13/021 , G06F18/24 , G06N3/0455 , G06N3/048 , G06N3/08 , G01M13/028
Abstract: 本发明公开了一种基于MSDC‑Swin‑T的齿轮箱故障诊断方法,涉及故障诊断技术领域，该方法包括如下步骤：获取齿轮箱的一维振动信号；对一维振动信号进行预处理；将预处理后的一维振动信号输入至训练好的MSDC‑Swin‑T诊断模型中进行故障诊断，输出齿轮箱故障诊断结果；MSDC‑Swin‑T诊断模型包括多尺度卷积令牌嵌入模块、Swin‑Transformer模块和softmax分类器。通过该方法可以在实现多尺度局部特征挖掘的基础上，减少计算量，提高齿轮箱故障诊断精度。
-
Patent Agency Ranking
公开(公告)号：CN116223044A
公开(公告)日：2023-06-06
申请号：CN202310352120.7
申请日：2023-04-04
Applicant: 兰州理工大学
IPC: G01M13/045
Abstract: 本发明公开了基于多传和输出模块感器融合和Bi‑TACN的轴承剩余寿命预测系统及方法，包括：数据获取融合模块和Bi‑TACN模型；Bi‑TACN模型包括多个Bi‑TACN模块和输出模块，各个Bi‑TACN模块依次相连后再与输出模块连接；各个Bi‑TACN模块均包括正向TCN单元、反向TCN单元和时间注意力单元，时间注意力单元的输入分别与正向TCN单元和反向TCN单元的输出相连；数据获取融合模块获取滚动轴承不同位置传感器的振动数据，并进行多通道融合和通道数据加权处理获得多传感器融合数据，输入至Bi‑TACN模型；Bi‑TACN模型同时提取振动信号的过去和未来时间的特征信息，时间注意力机制实现Bi‑TACN模型中过去和未来时间特征信息的融合互补，提升了Bi‑TACN模型对滚动轴承RUL的预测效果。
-
公开(公告)号：CN119622459A
公开(公告)日：2025-03-14
申请号：CN202411677471.6
申请日：2024-11-22
Applicant: 兰州理工大学
IPC: G06F18/241 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/045 , G06F18/2413 , G06F18/10
Abstract: 本发明公开了基于多尺度自适应超图卷积神经网络的故障诊断方法及系统，属于故障诊断技术领域；该方法包括：采集机械设备的原始振动数据，并进行数据预处理；基于多尺度自适应超图卷积神经网络构建故障诊断模型；将数据预处理后的振动数据输入构建的故障诊断模型，输出故障诊断结果。本发明将振动信号分解为不同的频段，分别提取各个尺度下的特征并融合先验知识，以多种加权度量构建局部拓扑图，由多个局部拓扑图共同组成空间超图作为模型的输入；引入双通道图卷积网络提取特征，通过注意力机制自适应分配不同通道的权重，实现特征的深度融合。在两个基准数据集上的实验表明，本发明能有效提升故障诊断准确性，且拥有较好的稳定性和泛化性。
-
公开(公告)号：CN119445613A
公开(公告)日：2025-02-14
申请号：CN202411357266.1
申请日：2024-09-27
Applicant: 兰州理工大学
Abstract: 本发明公开了一种基于YOLOv7的密集行人检测方法、装置及计算机设备；该方法包括：采集复杂密集场景中的行人图像数据，将获取的图像数据进行预处理；将预处理后的图像数据输入至预训练的密集行人检测模型；所述密集行人检测模型采用YOLOv7网络为基础模型，包括：骨干网络和头部网络；所述骨干网络包括：卷积模块和FNS‑ELAN模块；所述头部网络包括：特征增强模块RFEM及融合多尺度特征的网络结构；基于模型计算的特征图，利用输出层进行最终的行人检测与定位，生成包含检测框、类别和置信度的检测结果。该方法显著提升了密集行人检测的精度、速度和鲁棒性，满足了在复杂场景中对实时性和准确性要求较高的应用需求。
-
公开(公告)号：CN119180213A
公开(公告)日：2024-12-24
申请号：CN202411349167.9
申请日：2024-09-26
Applicant: 兰州理工大学
IPC: G06F30/27 , G06F18/10 , G06F18/213 , G06F18/25 , G06N3/0464 , G06N3/048 , G06N3/08 , G01M13/045 , G06F119/04
Abstract: 本发明提供一种基于双流时间卷积网络的滚动轴承剩余寿命预测方法及系统，方法包括以下步骤：采集轴承生命周期内的振动信号；对振动信号进行小波分解，获得低频信号以及高频信号；基于双流时间卷积网络分别对低频信号以及高频信号进行退化特征提取，并将提取的退化特征进行融合，获得融合退化特征；基于均方误差损失以及融合退化特征，进行基于双流时间卷积网络的滚动轴承剩余寿命预测，获得滚动轴承剩余寿命预测结果。本发明能够充分利用轴承退化历史数据，并能够捕获轴承健康状态与退化状态之间的长距离相关性，从而提升RUL预测的准确性。
-
公开(公告)号：CN118549132B
公开(公告)日：2024-12-17
申请号：CN202410768356.3
申请日：2024-06-14
Applicant: 兰州理工大学
IPC: G01M13/04 , G01M13/045
Abstract: 本发明公开了一种基于高频多尺度级联网络的滚动轴承故障诊断方法，包括：根据轴承振动信号应用高频多尺度级联网络对滚动轴承进行故障诊断，其中高频多尺度级联网络包括高频卷积块和多尺度级联块；高频卷积块，用于识别抑制振动信号中的高频噪声，得到振动特征；多尺度级联块，用于基于振动特征中脉冲信号的相关性，输出故障特征。本发明通过结合高频卷积块与多尺度级联块可增强模型的噪声抑制和特征学习能力，提高故障诊断的准确性、鲁棒性和可解释性。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.042 seconds)
