-
公开(公告)号：CN104792530B
公开(公告)日：2017-03-22
申请号：CN201510178093.1
申请日：2015-04-15
Applicant: 北京航空航天大学
IPC: G01M13/04
Abstract: 本发明提出了一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法，本方法在滚动轴承故障分析的基础上，针对目前分类算法鲁棒性和精度受限的问题，借鉴图像模式识别的相关领域知识，采用基于多层神经网络的深度学习自主认知方法，通过层叠降噪自动编码器模型实现了原始数据在输入部分遮挡条件下的自表达，并将重构数据输入至Softmax回归模型判断滚动轴承的工作状态和故障类型。试验结果分析表明，该方法能有效地应用于滚动轴承的故障诊断。
-
公开(公告)号：CN105971901A
公开(公告)日：2016-09-28
申请号：CN201610286142.8
申请日：2016-05-03
Applicant: 北京航空航天大学
IPC: F04D15/00
CPC classification number: F04D15/0088 , F05D2260/80
Abstract: 本发明公开了一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法，该方法包括：(1)利用CEEMD将传感器所获得的离心泵振动信号分解成一系列IMF分类；(2)将IMF分类的样本熵作为信号的特征向量；(3)将CEEMD‑样本熵所得的特征向量作为随机森林分类器的输入进行故障诊断。本发明将CEEMD与样本熵用于离心泵振动信号的特征提取，一方面尽可能的避免了EMD分解出现的模态混叠及端点效应等现象，另一方面，特征提取较为方便简洁，计算量小，并对数据长度及噪声不敏感，因而适用性强。本发明将随机森林分类器用于离心泵的故障模式识别，避免了传统分类器过于依赖训练样本而出现过拟合的现象。尽可能的提高了分类准确率。
-
公开(公告)号：CN105913144B
公开(公告)日：2018-07-03
申请号：CN201610213406.7
申请日：2016-04-07
Applicant: 北京航空航天大学
IPC: G06Q10/04
Abstract: 本发明公开了一种基于目标导向最优匹配相似性(TBMS)的产品寿命预测方法：首先，构建全寿命衰退样本集；其次，按待预测样本的退化量截取样本集中所有样本；再次，基于提出的时间尺度伸缩相似性(TECS)概念，将各全寿命退化样本的截取数据转换到待预测样本模式，获得最优转化因子及最优距离；最后，以最优伸缩因子和最优距离生成权重，对转换后的样本寿命进行集成加权，得到待预测样本的寿命。该方法通过序列时间尺度的伸缩实现历史样本与待预测样本的最优匹配，具有优秀的预测准确性和精度，能为产品寿命预测研究提供新的思路。
-
公开(公告)号：CN107797067A
公开(公告)日：2018-03-13
申请号：CN201710341928.X
申请日：2017-05-16
Applicant: 北京航空航天大学 , 宁德时代新能源科技股份有限公司
IPC: G01R31/36
Abstract: 本发明提出一种新的锂离子电池寿命迁移预测方法：首先，建立同温度同倍率不同配方电池的容量退化数据库；其次，确定好目标电池后，通过相似性度量选择出与目标电池容量退化规律相似的电池；最后，基于深度学习方法开展跨配方电池寿命迁移预测，实现目标电池的剩余循环寿命预测。同时，考虑经济性目标和电池寿命退化的不可逆转性，优化设计电池循环寿命试验，节省电池试验设计。该方法能够针对锂离子电池实现准确的剩余寿命预测，大幅度地减少研发阶段寿命试验的试验时间和试验量，缩短新产品研发周期，降低研发阶段费用，有效提高了系统的可靠性和安全性。
-
公开(公告)号：CN105913144A
公开(公告)日：2016-08-31
申请号：CN201610213406.7
申请日：2016-04-07
Applicant: 北京航空航天大学
IPC: G06Q10/04
CPC classification number: G06Q10/04
Abstract: 本发明公开了一种基于目标导向最优匹配相似性(TBMS)的产品寿命预测方法：首先，构建全寿命衰退样本集；其次，按待预测样本的退化量截取样本集中所有样本；再次，基于提出的时间尺度伸缩相似性(TECS)概念，将各全寿命退化样本的截取数据转换到待预测样本模式，获得最优转化因子及最优距离；最后，以最优伸缩因子和最优距离生成权重，对转换后的样本寿命进行集成加权，得到待预测样本的寿命。该方法通过序列时间尺度的伸缩实现历史样本与待预测样本的最优匹配，具有优秀的预测准确性和精度，能为产品寿命预测研究提供新的思路。
-
Patent Agency Ranking
公开(公告)号：CN105181110A
公开(公告)日：2015-12-23
申请号：CN201510580526.6
申请日：2015-09-13
Applicant: 北京航空航天大学
Abstract: 本发明提供了一种基于SIFT-KPCA和SVM的滚动轴承故障诊断方法，首先将振动信号转换为二维图像，在该转换之前利用小波降噪来降低噪声对特征提取的干扰。然后，针对二维图像应用SIFT算法提取尺度不变特征向量，得到一个128维的特征矩阵，再利用KPCA算法实现特征向量的降维。此后，提取简化特征向量的奇异值，并最终将其输入SVM分类器实现故障分类。该方法具有很高的分类精度。
-
公开(公告)号：CN104792530A
公开(公告)日：2015-07-22
申请号：CN201510178093.1
申请日：2015-04-15
Applicant: 北京航空航天大学
IPC: G01M13/04
Abstract: 本发明提出了一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法，本方法在滚动轴承故障分析的基础上，针对目前分类算法鲁棒性和精度受限的问题，借鉴图像模式识别的相关领域知识，采用基于多层神经网络的深度学习自主认知方法，通过层叠降噪自动编码器模型实现了原始数据在输入部分遮挡条件下的自表达，并将重构数据输入至Softmax回归模型判断滚动轴承的工作状态和故障类型。试验结果分析表明，该方法能有效地应用于滚动轴承的故障诊断。
-
公开(公告)号：CN107797067B
公开(公告)日：2019-09-27
申请号：CN201710341928.X
申请日：2017-05-16
Applicant: 北京航空航天大学 , 宁德时代新能源科技股份有限公司
IPC: G01R31/367 , G01R31/378 , G01R31/392 , G06N3/04 , G06N3/08
Abstract: 本发明提出一种新的锂离子电池寿命迁移预测方法：首先，建立同温度同倍率不同配方电池的容量退化数据库；其次，确定好目标电池后，通过相似性度量选择出与目标电池容量退化规律相似的电池；最后，基于深度学习方法开展跨配方电池寿命迁移预测，实现目标电池的剩余循环寿命预测。同时，考虑经济性目标和电池寿命退化的不可逆转性，优化设计电池循环寿命试验，节省电池试验设计。该方法能够针对锂离子电池实现准确的剩余寿命预测，大幅度地减少研发阶段寿命试验的试验时间和试验量，缩短新产品研发周期，降低研发阶段费用，有效提高了系统的可靠性和安全性。
-
公开(公告)号：CN105971901B
公开(公告)日：2018-03-02
申请号：CN201610286142.8
申请日：2016-05-03
Applicant: 北京航空航天大学
IPC: F04D15/00
Abstract: 本发明公开了一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法，该方法包括：(1)利用CEEMD将传感器所获得的离心泵振动信号分解成一系列IMF分类；(2)将IMF分类的样本熵作为信号的特征向量；(3)将CEEMD‑样本熵所得的特征向量作为随机森林分类器的输入进行故障诊断。本发明将CEEMD与样本熵用于离心泵振动信号的特征提取，一方面尽可能的避免了EMD分解出现的模态混叠及端点效应等现象，另一方面，特征提取较为方便简洁，计算量小，并对数据长度及噪声不敏感，因而适用性强。本发明将随机森林分类器用于离心泵的故障模式识别，避免了传统分类器过于依赖训练样本而出现过拟合的现象。尽可能的提高了分类准确率。
-
公开(公告)号：CN105275833B
公开(公告)日：2017-01-11
申请号：CN201510726101.1
申请日：2015-10-30
Applicant: 北京航空航天大学
IPC: F04D15/00
Abstract: 本发明提出了一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法，包括：第一步，离心泵故障数据预处理；第二步，故障特征提取；第三步，故障特征维度约减；第四步，用multi-SVM分类器自动识别故障模式。离心泵振动信号具有非平稳、重复再现性不佳等特点，使得一些基于传统时域或频域的分析方法无法及时地反映系统的运行状况。CEEMD是一种自适应的信号分解方法，能将信号分解为一系列的本征模式分量；STFT是一种时频分析方法，可分析非平稳信号；时频信息熵是信号时频分布复杂性的一种度量，能够表征出隐含在信号中的故障信息。本发明将CEEMD、STFT和信息熵方法相结合，并将其用于实际的诊断实验中，数据分析结果显示该方法具有较高的诊断精度。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.026 seconds)
