-
公开(公告)号：CN116610939B
公开(公告)日：2023-10-10
申请号：CN202310895885.5
申请日：2023-07-20
申请人： 安徽农业大学
IPC分类号： G06F18/213 , G06F17/14 , G06F18/10 , G06F18/2433 , G01M13/021 , G01M13/028 , G01M13/045
摘要： 本发明属于机械装备状态监测与故障诊断技术领域，具体是Coiflet离散小波下非对称罚稀疏正则化脉冲提取方法，包括以下步骤：拾取旋转机械装备关键件的振动加速度信号；在小波框架下构建非对称罚稀疏正则化目标成本函数模型；利用交替方向乘子法求解构建的非对称罚稀疏正则化目标成本函数模型，得到隐藏在背景噪声中的周期性稀疏瞬时脉冲分量；利用时频谱分析得到故障特征频率。本发明构建的稀疏正则化模型克服了经典稀疏罚正则化模型在零点的不可导性，提高了周期性稀疏瞬时脉冲分量的分离幅值；在强烈背景噪声中提取稀疏分量问题中，有效缓解了经典稀疏正则化方法的能量衰减问题，具有计算复杂度低，算法运行速度快的优点。
-
公开(公告)号：CN116610939A
公开(公告)日：2023-08-18
申请号：CN202310895885.5
申请日：2023-07-20
申请人： 安徽农业大学
IPC分类号： G06F18/213 , G06F17/14 , G06F18/10 , G06F18/2433 , G01M13/021 , G01M13/028 , G01M13/045
摘要： 本发明属于机械装备状态监测与故障诊断技术领域，具体是Coiflet离散小波下非对称罚稀疏正则化脉冲提取方法，包括以下步骤：拾取旋转机械装备关键件的振动加速度信号；在小波框架下构建非对称罚稀疏正则化目标成本函数模型；利用交替方向乘子法求解构建的非对称罚稀疏正则化目标成本函数模型，得到隐藏在背景噪声中的周期性稀疏瞬时脉冲分量；利用时频谱分析得到故障特征频率。本发明构建的稀疏正则化模型克服了经典稀疏罚正则化模型在零点的不可导性，提高了周期性稀疏瞬时脉冲分量的分离幅值；在强烈背景噪声中提取稀疏分量问题中，有效缓解了经典稀疏正则化方法的能量衰减问题，具有计算复杂度低，算法运行速度快的优点。
-
公开(公告)号：CN116088320A
公开(公告)日：2023-05-09
申请号：CN202310375336.5
申请日：2023-04-11
申请人： 安徽农业大学
IPC分类号： G05B13/04
摘要： 本发明属于工业控制系统中的性能评估与故障诊断领域，具体提供了稀疏双时空非凸罚自适应Chirp模态交叉混叠分解方法，包括：获取待分解的快变混叠调频信号，计算所述快变混叠调频信号时间序列的分数阶数，构建目标成本函数模型，利用分裂布雷格曼迭代算法求解构建的目标成本函数模型，并依次解调得到快变混叠调频信号中的各个隐含固有模态分量及其时频图。本发明考虑原始模态频率交叉混叠信号的时间‑空间耦合特性与长相关特性，无需人为设置固有模态分量的个数，可有效缓解传统分解方法的断点效应问题，且该方法计算复杂度低，响应速度快，可操作性强，具有良好的工业应用价值。
-
公开(公告)号：CN117972569A
公开(公告)日：2024-05-03
申请号：CN202410386475.2
申请日：2024-04-01
申请人： 安徽农业大学
IPC分类号： G06F18/2415 , G01M99/00 , G01P15/00 , G06N3/049 , G06N3/0464 , G06N3/084 , G06F18/10
摘要： 本发明属于旋转机械状态运行的智能监测与运维技术领域，具体是一种自注意力时间卷积网络的旋转机械故障诊断方法，该方法利用各类传感器收集旋转机械设备不同状态下运行的样本信号，通过对样本信号进行连续小波变换转换为时频图样本集，随后将时频图样本集划分为训练集与测试集；在模型训练过程中，使用稀疏交叉熵函数作为损失函数，结合误差的反向传播动态调整权值大小，从而进一步提高模型的分类性能，最终实现对故障的精准识别。本发明通过使用分类精度高、响应速度快、泛化能力强的自注意力与软阈值化时间卷积网络模型，显著提高了机械系统的可维护性与安全性。
-
公开(公告)号：CN116088320B
公开(公告)日：2023-06-20
申请号：CN202310375336.5
申请日：2023-04-11
申请人： 安徽农业大学
IPC分类号： G05B13/04
摘要： 本发明属于工业控制系统中的性能评估与故障诊断领域，具体提供了稀疏双时空非凸罚自适应Chirp模态交叉混叠分解方法，包括：获取待分解的快变混叠调频信号，计算所述快变混叠调频信号时间序列的分数阶数，构建目标成本函数模型，利用分裂布雷格曼迭代算法求解构建的目标成本函数模型，并依次解调得到快变混叠调频信号中的各个隐含固有模态分量及其时频图。本发明考虑原始模态频率交叉混叠信号的时间‑空间耦合特性与长相关特性，无需人为设置固有模态分量的个数，可有效缓解传统分解方法的断点效应问题，且该方法计算复杂度低，响应速度快，可操作性强，具有良好的工业应用价值。
-
公开(公告)号：CN115890340B
公开(公告)日：2024-06-21
申请号：CN202211613695.1
申请日：2022-12-15
申请人： 安徽农业大学
IPC分类号： B23Q17/09 , G06F18/2135 , G06F18/241 , G06N3/0495
摘要： 本发明公开了一种稀疏框架下压缩学习自适应网络的刀具磨损预测方法，具体包括:获取铣刀磨损多通道退化数据，提取各通道退化数据的健康特征参数，得到多通道高维健康因子时间序列；采用主成分分析方法降维得到铣刀磨损融合健康因子时间序列；利用非凸罚小波核奇异值稀疏分解模型对融合健康因子时间序列进行分解，得到低频趋势序列与高频振荡序列；利用压缩缓变学习及自适应动量因子网络算法对低频与高频序列分别预测，叠加得到铣刀磨损退化趋势健康因子时间序列。本发明无需考虑外界环境因素以及切削工况对铣刀磨损性能影响，不受铣削机床‑铣刀‑工件系统物理结构参数的影响，适合铣刀多通道服役退化数据一次性预测，运行速度快，预测精度高。
-
公开(公告)号：CN118094106A
公开(公告)日：2024-05-28
申请号：CN202410393919.5
申请日：2024-04-02
申请人： 安徽农业大学
IPC分类号： G06F18/10 , G01M13/021 , G01M13/028 , G06F18/213 , G06F18/214 , G06F18/21 , G06F18/24 , G06N3/048 , G06N3/096
摘要： 本发明属于机械装备状态监测与故障诊断领域，具体是一种微调机制迁移学习的齿轮箱故障诊断方法，该齿轮箱故障诊断方法是在迁移学习模型上利用微调机制对齿轮箱的非平衡小样本振动信号数据集进行识别分类，利用加载预训练过的VGG16模型，去除VGG16预训练模型的顶层，冻结权重；建立自定义的下游网络模型；固定除学习率之外的所有超参数，训练所建立的迁移学习模型；利用微调机制去进行学习率微调，直至满足分类准确率。本发明的齿轮箱故障诊断方法取代了实验室破坏性试验，节约了实验成本；使用带有微调机制的迁移学习模型对所得数据扩充，解决了小样本问题和数据不平衡问题。
-
公开(公告)号：CN117973235A
公开(公告)日：2024-05-03
申请号：CN202410382484.4
申请日：2024-04-01
申请人： 安徽农业大学
摘要： 本发明属于机械装备状态监测与故障诊断领域，具体是一种仿真运动学振动数据的离心泵故障模式诊断方法，该方法利用3D离心泵模型对振动信号进行计算机模拟，拾取在3D离心泵模型中设置的故障模式和正常运行模式下的振动加速度数据；对振动加速度数据进行处理，转化成与模式相应的灰度图，构成少量的原始灰度图数据集；利用少量的原始灰度图数据集进行WGAN模型的训练，用训练生成的更多相似灰度图来扩充原始灰度图数据集，形成用于故障识别的故障识别数据集；利用扩充后的故障识别数据集对离心泵进行故障识别，完成离心泵故障模式诊断。本发明使用WGAN模型对所得数据扩充，解决了实验室小样本问题和数据不平衡问题。
-
公开(公告)号：CN118015438B
公开(公告)日：2024-07-05
申请号：CN202410414538.0
申请日：2024-04-08
申请人： 安徽农业大学
IPC分类号： G06V10/98 , G06V10/30 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464
摘要： 本发明属于机器视觉和图像处理领域，提供了轻量化Efficient‑YOLOV8的钢表面裂纹智能识别方法，包括以下步骤：利用金属扫描电镜设备采集带钢表面疲劳裂纹图像；采用二维经验模态分解方法对裂纹原始图像进行预处理；将S2‑MLPv2注意力机制集成到原始YOLOV8模型的C2f模块的残差模块中，同时用S‑CSPC取代YOLOV8模型中连接颈部和骨干的SPPF，得到Efficient‑YOLOV8；进而利用E‑YOLOV8模型对预处理后的图像进行训练，得到带钢表面裂纹图像识别混淆矩阵图。本发明可有效减轻背景噪声对裂纹识别的影响，E‑YOLOV8模型的空间感知能力得到了提升，能够有效识别不同种类的裂纹，改善了由于裂纹的微小性和复杂性对于识别的影响，具有计算复杂度低、识别效果高的优点。
-
公开(公告)号：CN118015438A
公开(公告)日：2024-05-10
申请号：CN202410414538.0
申请日：2024-04-08
申请人： 安徽农业大学
IPC分类号： G06V10/98 , G06V10/30 , G06V10/44 , G06V10/774 , G06V10/82 , G06N3/0464
摘要： 本发明属于机器视觉和图像处理领域，提供了轻量化Efficient‑YOLOV8的钢表面裂纹智能识别方法，包括以下步骤：利用金属扫描电镜设备采集带钢表面疲劳裂纹图像；采用二维经验模态分解方法对裂纹原始图像进行预处理；将S2‑MLPv2注意力机制集成到原始YOLOV8模型的C2f模块的残差模块中，同时用S‑CSPC取代YOLOV8模型中连接颈部和骨干的SPPF，得到Efficient‑YOLOV8；进而利用E‑YOLOV8模型对预处理后的图像进行训练，得到带钢表面裂纹图像识别混淆矩阵图。本发明可有效减轻背景噪声对裂纹识别的影响，E‑YOLOV8模型的空间感知能力得到了提升，能够有效识别不同种类的裂纹，改善了由于裂纹的微小性和复杂性对于识别的影响，具有计算复杂度低、识别效果高的优点。
-
-
-
-
-
-
-
-
-
搜索结果
11 条记录 (耗时 0.025 秒)
