-
公开(公告)号:CN112560699B
公开(公告)日:2024-04-16
申请号:CN202011503046.7
申请日:2020-12-18
申请人: 南京航空航天大学
摘要: 本发明公开了一种基于密度和压缩感知的齿轮振动信源欠定盲源分离方法,首先,采用小波降噪的方法对采集信号进行降噪预处理;其次,对混合信号使用短时傅里叶变换,实现时域内的卷积混合模型转化为各频带内的线性混合模型;然后,基于稀疏编码的单源点提取方法和基于密度峰值聚类法的振源数目识别方法,实现混合矩阵的有效估计;通过压缩感知方法对源信号进行恢复,获得分离信号;最后,对各频带的分离信号进行次序和幅度修正,然后将分离信号从频域转化为时域。本发明通过密度峰值聚类法进行振动源数目的估计增强对噪声的鲁棒性,降低产生虚假峰值的概率,进而降低振动源数目估计误差,能够有效完成对混合信号的分离工作。
-
公开(公告)号:CN116680550A
公开(公告)日:2023-09-01
申请号:CN202310593427.6
申请日:2023-05-23
申请人: 南京航空航天大学
IPC分类号: G06F18/21 , G01M13/045 , G06F18/2321 , G06F18/243 , G06F18/2131 , G06F18/214 , G06F123/00 , G06F123/02
摘要: 本发明提出一种样本不均衡下基于主动学习的滚动轴承故障诊断方法,首先,采集旋转机械的原始振动信号,后提取信号时域和时频域内的数据特征,并把特征提取后的数据集分为测试集和训练集;然后,通过高斯混合模型拟合训练集中轴承正常的多域高维特征,再利用随机下采样方法进行数据筛选,以筛选后的数据建立平衡数据集;接着,以得到的平衡数据集建立基于密度峰值聚类方法的主动学习分类器;最后,将已标签的训练集和未标签的测试集一起进行主动学习故障诊断,以减少未知样本标注的成本,并得到更精准的诊断结果。本发明通过不平衡数据集建立性能良好的主动学习分类器,对未知数据进行故障诊断,保障旋转机械安全运行,降低因故障而导致的损失。
-
公开(公告)号:CN113705407A
公开(公告)日:2021-11-26
申请号:CN202110959036.2
申请日:2021-08-20
申请人: 南京航空航天大学
摘要: 本发明公开了一种基于时频残差神经网络的变转速下轴裂纹的故障诊断方法,首先,采用短时傅里叶变换将一维的振动信号转变为二维的RGB彩色时频图像,建立数据集,并划分为训练集和测试集;其次,构建神经网络,建立残差连接;然后,采用批标准化优化神经网络模型;设置final卷积层,将分布式特征映射到样本标记空间,构建Softmax特征分类器对提取的特征进行分类;最后,利用训练集让网络进行学习,利用测试集对训练好的网络进行测试,实现故障诊断。本发明提出的时频残差神经网络模型结合了短时傅里叶变换和残差连接,能够对变转速工况下的轴裂纹进行有效地诊断。
-
公开(公告)号:CN112598019A
公开(公告)日:2021-04-02
申请号:CN202011169668.0
申请日:2020-10-28
申请人: 南京航空航天大学
IPC分类号: G06K9/62 , G01M13/00 , G01H17/00 , G01M13/045
摘要: 本发明公开了一种异类振动信号时空多互相关分析和自适应加权融合方法,首先,进行异类数据的相位匹配分析;其次,对数据线性归一化处理;然后,建立多互相关函数;再利用不同类型振动传感器不同的位置,建立空间坐标系,记录各传感器的空间坐标,获取异类传感器间的时间偏差;最后,对振动信号进行融合。本发明采用相位匹配及线性归一化方法处理不同空间位置的振动传感器数据,有效提高了数据的准确性和融合数据的精确性;将多互相关方法与转子机械故障识别相结合,采用自适应加权融合技术,识别出转子机械的故障特征。
-
公开(公告)号:CN112326017A
公开(公告)日:2021-02-05
申请号:CN202011039187.8
申请日:2020-09-28
申请人: 南京航空航天大学
摘要: 本发明公开了一种基于改进半经典信号分析的微弱信号检测方法,包括以下步骤:(1)获取强噪声背景下包含微弱目标信息的振动信号;(2)对振动信号进行量子域转换,便于对量子域中的信号进行降噪处理和微弱目标信号检测;(3)对量子域中的信号进行特征提取;(4)利用自相关算法对量子域信号特征进行降噪处理;(5)对降噪后的量子域信号特征进行重构,将量子域信号恢复为时域信号,此信号即为所需微弱目标信号。本发明使半经典信号分析算法应用于微弱信号检测,解决了相关检测算法无法检测相关性噪声问题,精确检测‑30dB噪声下的微弱信号,有效改善信号信噪比,提高微弱信号检测精度,易于实现。
-
公开(公告)号:CN111591346A
公开(公告)日:2020-08-28
申请号:CN202010376488.3
申请日:2020-05-07
申请人: 南京航空航天大学
IPC分类号: B62D21/02
摘要: 本发明公开了一种商用卡车钢铝混合结构车架,包括左、右纵梁,左、右纵梁的截面为U型且开口朝内设置,纵梁为变截面形式,其前半段截面厚度小于后半段截面厚度。左、右纵梁上方设有副纵梁,左、右纵梁之间通过多个横梁连为一体,第一横梁为管型横梁,横梁两端与左、右纵梁的腹面内侧相连接。第二、三、四、五横梁通过两端的连接板与左、右纵梁的腹面内侧相连接。两根纵梁上依次设有发动机支架、横梁支架、L型油箱支架和L型蓄电池支架。上述车架零部件中,第二、三、四横梁及其连接板,横梁支架、第五横梁连接板的材料为铝合金,而其余部件为钢材。本发明结构的车架,具有质量轻和强度高的特点。
-
公开(公告)号:CN108468754B
公开(公告)日:2020-04-24
申请号:CN201810538194.9
申请日:2018-05-30
申请人: 南京航空航天大学
IPC分类号: F16F15/08
摘要: 本发明公开了一种适用于单缸柴油机的单向悬置橡胶隔振器,包括上盖、基座、无油轴承和橡胶阻尼元件,所述无油轴承的上端与上盖底部固定连接;基座为一个具有U形凹槽的壳体,该U形凹槽内设置有内套,无油轴承伸入与基座的U形凹槽内,与基座形成嵌套结构;所述橡胶阻尼元件设置于上盖、无油轴承、内套之间的空隙中。该隔振器通过采用橡胶元件良好的隔振性能,将其与上盖和嵌套硫化成一体,能够实现垂向减压扛拉的作用。同时无油轴承的使用,不仅可以减少隔振器垂向运动时的摩擦阻力,而且还能够实现径向限位的作用。本发明的单橡胶隔振器承载能力强,抗疲劳性能好,且结构简单,便于制造和安装维护。
-
公开(公告)号:CN108548671B
公开(公告)日:2020-01-10
申请号:CN201810200175.5
申请日:2018-03-12
申请人: 南京航空航天大学
IPC分类号: G01M13/045 , G06K9/62 , G06N3/08 , G06N3/04
摘要: 本发明公开了一种基于自动编码器的轴系转速大波动的故障诊断方法,包括以下步骤:步骤一、将分别属于源域和目标域中的转速1与转速2的样本做快速傅里叶变换并幅值归一化;步骤二、用转速1信号预训练自动编码器;步骤三、在自动编码算法中加入MMD惩罚项自动编码迁移学习算法,并用两种转速的训练样本进行训练;步骤四、训练加入MMD惩罚项的Softmax特征分类器对提取的特征进行分类,由此可对转速2未知的故障信号实现故障诊断。本发明通过迁移学习算法对转速大波动状态下的故障信号进行智能诊断,通过引入MMD惩罚项提高源域样本训练之后的模型对于目标域样本诊断的准确率,从而实现转速大波动情况下的智能故障诊断。
-
公开(公告)号:CN108960077A
公开(公告)日:2018-12-07
申请号:CN201810601111.6
申请日:2018-06-12
申请人: 南京航空航天大学
CPC分类号: G06K9/00536 , G01M13/00 , G06N3/0445
摘要: 本发明公开了一种基于循环神经网络的智能故障诊断方法,包括如下步骤:(1)利用加速度传感器获取旋转机械在不同健康状态下工作的时序振动信号,将获得的原始振动信号分成训练集与测试集;(2)建立循环神经网络;(3)对循环神经网络中进行训练;(4)对训练好的循环神经网络进行测试,根据分类结果判断网络是否达到预期诊断目标,若准确度低于期望值,则重复步骤(3)直到获得准确度高于期望值的循环神经网络;(5)通过所述步骤(4)得到的循环神经网络进行智能故障诊断。本发明利用循环神经网络对于序列信息的建模能力,直接处理原始时序振动信号,可以充分利用较少的信息来精确地诊断旋转机械故障,并有很高的识别速度。
-
公开(公告)号:CN108830127A
公开(公告)日:2018-11-16
申请号:CN201810240234.1
申请日:2018-03-22
申请人: 南京航空航天大学
摘要: 本发明公开了一种基于深度卷积神经网络模型的旋转机械故障特征智能诊断方法,包括:(1)采集旋转机械故障振动信号数据,将数据分段并做去趋势项预处理;(2)对信号数据进行短时傅里叶时频变换分析,得到各振动信号的时频表示,并用伪色彩图显示;(3)利用插值方法缩小图像分辨率并将各图像叠加,形成训练样本和测试样本,作为卷积神经网络的输入;(4)构建深度卷积神经网络模型,包括输入层、两个卷积层、两个池化层、全连接层和softmax分类层和输出层;(5)将训练样本导入模型进行训练并获得卷积特征、池化特征和神经网络结构参数,根据构建的深度神经网络模型对未知的故障信号实现诊断。本发明较现有的时域或频域方法,具有更好的准确性和稳定性。
-
-
-
-
-
-
-
-
-