-
公开(公告)号：CN112633098B
公开(公告)日：2023-05-30
申请号：CN202011471307.1
申请日：2020-12-14
申请人： 华中科技大学
IPC分类号： G06F18/2131 , G06F18/214 , G06F18/2413 , G01M13/045
摘要： 本发明公开了一种旋转机械故障诊断方法、系统及存储介质，包括：S1、将实时采集的待测旋转机械的振动信号，采用短时傅里叶变换法进行频谱分析，得到振动信号的频谱图，并将振动信号的频谱图映射为短时周期图；S2、以所得短时周期图的每个频率为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；S3、采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，记为故障特征向量；S4、将所得故障特征向量输入到预训练好的故障诊断模型中，得到待测旋转机械的故障类型。本发明以时空图结合拉普拉斯矩阵来提取故障特征，大大提高了计算效率和分类准确率，适用于复杂工况下的故障诊断。
-
公开(公告)号：CN111397896B
公开(公告)日：2020-12-18
申请号：CN202010154567.X
申请日：2020-03-08
申请人： 华中科技大学
IPC分类号： G01M13/021 , G01M13/028 , G01M13/045 , G06K9/00 , G06K9/62
摘要： 本发明公开了一种旋转机械故障诊断方法、系统及存储介质，所述方法包括：获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为训练样本集和待测样本；使用小波包变换方法对获取的振动信号进行分解，得到一系列具有不同频带的子信号；计算所述子信号的符号动力学熵值，得到故障特征向量；将所述训练样本集的故障特征向量作为输入，将所述训练样本集的故障类型标签作为输出，训练得到基于LightGBM分类器模型的故障诊断模型；将所述待测样本的故障特征向量输入所述故障诊断模型，从而得到所述待测样本的故障诊断结果。本发明以小波包分解结合符号动力学熵，有效提取故障特征，再使用LightGBM分类器模型进行故障识别和分类，提高了计算效率和分类准确率。
-
公开(公告)号：CN111397896A
公开(公告)日：2020-07-10
申请号：CN202010154567.X
申请日：2020-03-08
申请人： 华中科技大学
IPC分类号： G01M13/021 , G01M13/028 , G01M13/045 , G06K9/00 , G06K9/62
摘要： 本发明公开了一种旋转机械故障诊断方法、系统及存储介质，所述方法包括：获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为训练样本集和待测样本；使用小波包变换方法对获取的振动信号进行分解，得到一系列具有不同频带的子信号；计算所述子信号的符号动力学熵值，得到故障特征向量；将所述训练样本集的故障特征向量作为输入，将所述训练样本集的故障类型标签作为输出，训练得到基于LightGBM分类器模型的故障诊断模型；将所述待测样本的故障特征向量输入所述故障诊断模型，从而得到所述待测样本的故障诊断结果。本发明以小波包分解结合符号动力学熵，有效提取故障特征，再使用LightGBM分类器模型进行故障识别和分类，提高了计算效率和分类准确率。
-
公开(公告)号：CN112633098A
公开(公告)日：2021-04-09
申请号：CN202011471307.1
申请日：2020-12-14
申请人： 华中科技大学
摘要： 本发明公开了一种旋转机械故障诊断方法、系统及存储介质，包括：S1、将实时采集的待测旋转机械的振动信号，采用短时傅里叶变换法进行频谱分析，得到振动信号的频谱图，并将振动信号的频谱图映射为短时周期图；S2、以所得短时周期图的每个频率为时空图的节点，并使每对节点相互连接构成一个全连通、无向的时空图；S3、采用图论法构建所得时空图的矩阵表示，记为拉普拉斯矩阵，并对拉普拉斯矩阵进行正交分解，提取特征值，记为故障特征向量；S4、将所得故障特征向量输入到预训练好的故障诊断模型中，得到待测旋转机械的故障类型。本发明以时空图结合拉普拉斯矩阵来提取故障特征，大大提高了计算效率和分类准确率，适用于复杂工况下的故障诊断。
-
公开(公告)号：CN112199862A
公开(公告)日：2021-01-08
申请号：CN202011185025.5
申请日：2020-10-29
申请人： 华中科技大学
摘要： 本发明提供一种纳米粒子运移的预测方法、其影响因子分析方法及系统，包括：从多孔介质中纳米粒子运移实验中提取参数与结果数据，得到训练特征与目标特征；使用独热编码和随机森林的方法对数据预处理，编码类别型特征的同时填充缺失值；使用SMOTE技术进行数据平衡，结合支持分类特征梯度提升机建立并训练模型，对表征纳米粒子运移的指标进行回归或分类预测。最后通过沙普利累积解释方法分析不同特征对纳米粒子运移的影响的方向和大小。本发明节约了纳米粒子运移实验成本的同时提高了预测的泛化性；通过对不平衡数据进行数据处理，提高了样本数据质量和预测精度；将模型解释方法用于特征分析，使纳米粒子运移行为具有可解释性。
-
公开(公告)号：CN114564987B
公开(公告)日：2024-08-23
申请号：CN202210164044.2
申请日：2022-02-22
申请人： 华中科技大学
IPC分类号： G06F18/24 , G06F18/213 , G06F18/214 , G06N3/042 , G01M13/025
摘要： 本发明公开一种基于图数据的旋转机械故障诊断方法及系统，包括：获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为用于模型训练的源域样本和待测的目标域样本；提取样本的频谱特征，将源域和目标域样本转换为节点表示；采用k最近邻算法分别构造源域和目标域样本的图；基于领域自适应思想，构建域自适应图卷积神经网络；将源域和目标域样本构建得到的图输入网络，从而得到目标域待测样本的故障诊断结果。本发明采用了k最近邻算法聚类同一标签节点，建立了标签与节点之间的映射关系，对源域样本和目标域样本分别构造了具有相似图结构的图，提供更多的可迁移知识，将从源领域学到的知识应用到目标领域，提高分类准确率。
-
公开(公告)号：CN112199862B
公开(公告)日：2024-05-14
申请号：CN202011185025.5
申请日：2020-10-29
申请人： 华中科技大学
摘要： 本发明提供一种纳米粒子运移的预测方法、其影响因子分析方法及系统，包括：从多孔介质中纳米粒子运移实验中提取参数与结果数据，得到训练特征与目标特征；使用独热编码和随机森林的方法对数据预处理，编码类别型特征的同时填充缺失值；使用SMOTE技术进行数据平衡，结合支持分类特征梯度提升机建立并训练模型，对表征纳米粒子运移的指标进行回归或分类预测。最后通过沙普利累积解释方法分析不同特征对纳米粒子运移的影响的方向和大小。本发明节约了纳米粒子运移实验成本的同时提高了预测的泛化性；通过对不平衡数据进行数据处理，提高了样本数据质量和预测精度；将模型解释方法用于特征分析，使纳米粒子运移行为具有可解释性。
-
公开(公告)号：CN114564987A
公开(公告)日：2022-05-31
申请号：CN202210164044.2
申请日：2022-02-22
申请人： 华中科技大学
IPC分类号： G06K9/00 , G06K9/62 , G06N3/04 , G01M13/025
摘要： 本发明公开一种基于图数据的旋转机械故障诊断方法及系统，包括：获取旋转机械处于正常状态和故障状态下的振动信号，并将其分为用于模型训练的源域样本和待测的目标域样本；提取样本的频谱特征，将源域和目标域样本转换为节点表示；采用k最近邻算法分别构造源域和目标域样本的图；基于领域自适应思想，构建域自适应图卷积神经网络；将源域和目标域样本构建得到的图输入网络，从而得到目标域待测样本的故障诊断结果。本发明采用了k最近邻算法聚类同一标签节点，建立了标签与节点之间的映射关系，对源域样本和目标域样本分别构造了具有相似图结构的图，提供更多的可迁移知识，将从源领域学到的知识应用到目标领域，提高分类准确率。
-
公开(公告)号：CN112733612A
公开(公告)日：2021-04-30
申请号：CN202011502339.3
申请日：2020-12-18
申请人： 华中科技大学
摘要： 本发明公开了一种跨领域的旋转机械故障诊断模型建立方法及其应用，属于机械故障诊断技术领域，模型建立方法包括：获取旋转机械在不同工况、不同状态下的振动信号，滤除其中的噪声后，通过时频变换将其转换为二维时频图像；不同状态包括正常状态和故障状态；不同工况包括目标工况，目标工况下的数据构成目标域数据，其余工况下的数据构成源域数据；基于神经网络建立分类模型，利用源域数据对分类模型进行训练，并在训练结束后，对分类模型的参数进行优化调整，以最小化源域数据和目标域数据分布间的差异；将优化调整之后的分类模型，作为旋转机械故障诊断模型。本发明有效提高了模型的诊断精度，并且能够适应复杂工况下的故障诊断。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.032 秒)
