-
公开(公告)号：CN114925476B
公开(公告)日：2024-09-17
申请号：CN202210642013.3
申请日：2022-06-08
申请人： 安徽农业大学
IPC分类号： G06F30/17 , G06F18/10 , G06F18/213 , G06F18/24 , G06F18/25 , G06F17/11 , G06F17/18 , G06Q10/04 , G06F119/04
摘要： 本发明的一种滚动轴承退化轨迹增广四元数预测方法及存储介质，包括利用振动加速度传感器采集滚动轴承的多通道加速寿命信号；提取各通道数据的时域与频域特征序列，利用PCA降维方法构建各通道融合健康因子时间序列；计算各通道融合健康因子时间序列的分数阶数与多通道融合健康因子时间序列的平均分数阶数；构建基于广义Hamilton‑real积分框架下分数阶增广四元数退化预测模型；对滚动轴承服役退化中后期的退化轨迹进行预测跟踪分析。本发明考虑了多通道与高维度退化数据的时空耦合特性与长相关特性，对采集的多通道与高维度退化数据可实时一次性预测，无需逐通道/逐维度预测，模型预测精度高、响应速度快，具有良好的工业应用价值。
-
公开(公告)号：CN118277959B
公开(公告)日：2024-08-23
申请号：CN202410644882.9
申请日：2024-05-23
申请人： 安徽农业大学
IPC分类号： G06F18/25 , G06N3/0442 , G06N3/0455 , G06N3/04 , G06N3/08 , G06F18/10 , G01K13/00 , G06F123/02
摘要： 本发明属于农业信息处理领域，具体是融合共振稀疏Transformer网络的猪舍温度预测方法，利用共振稀疏分解方法对各个温度采集测点的温度序列数据进行分解，得到各个温度采集测点的低频温度趋势序列与高频波动序列；对各个低频温度趋势序列进行预测，得到各个温度采集测点的低频温度预测序列；对各个高频波动序列进行预测，得到各个温度采集测点的高频温度预测序列；将低频温度预测序列与高频温度预测序列求和计算，得到最终各个温度采集测点的温度预测数据，进而对猪舍环境进行调控。本发明考虑了集约化猪舍温度序列数据的低频走势与高频振荡特性，可有效捕捉时间序列数据中的长期依赖关系，计算复杂度低，预测精度高。
-
公开(公告)号：CN118277959A
公开(公告)日：2024-07-02
申请号：CN202410644882.9
申请日：2024-05-23
申请人： 安徽农业大学
IPC分类号： G06F18/25 , G06N3/0442 , G06N3/0455 , G06N3/04 , G06N3/08 , G06F18/10 , G01K13/00 , G06F123/02
摘要： 本发明属于农业信息处理领域，具体是融合共振稀疏Transformer网络的猪舍温度预测方法，利用共振稀疏分解方法对各个温度采集测点的温度序列数据进行分解，得到各个温度采集测点的低频温度趋势序列与高频波动序列；对各个低频温度趋势序列进行预测，得到各个温度采集测点的低频温度预测序列；对各个高频波动序列进行预测，得到各个温度采集测点的高频温度预测序列；将低频温度预测序列与高频温度预测序列求和计算，得到最终各个温度采集测点的温度预测数据，进而对猪舍环境进行调控。本发明考虑了集约化猪舍温度序列数据的低频走势与高频振荡特性，可有效捕捉时间序列数据中的长期依赖关系，计算复杂度低，预测精度高。
-
公开(公告)号：CN117215312A
公开(公告)日：2023-12-12
申请号：CN202311334200.6
申请日：2023-10-16
申请人： 安徽农业大学
IPC分类号： G05D1/02
摘要： 本发明公开了一种基于改进灰狼优化算法的移动机器人路径规划方法，构建二维果园环境模型，将二维果园环境模型离散化为栅格地图，确定移动机器人的运动起始点和运动目标点的坐标值，预测移动机器人抵达各个路径节点处的运动状态；合并运动起始点和运动目标点之间的路径上的部分冗余节点直至形成整合规划路径；使用改进灰狼优化算法重新生成移动机器人经过各个路径节点处时的新的运动状态；使用改进灰狼优化算法在各个路径节点的位置坐标的邻域内生成新的位置坐标，并连接优化后的位置坐标合成最优路径，保证移动机器人以最短时间和最低能耗移动；本发明通过在路径规划中综合优化路径长度和能耗，保证移动效率的同时，还能最大程度地降低能源消耗。
-
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：CN115018181A
公开(公告)日：2022-09-06
申请号：CN202210735193.X
申请日：2022-06-27
申请人： 安徽农业大学
摘要： 本发明公开了一种轻轨机组减速机齿轮箱在线监测与寿命预测方法，利用无线WIFI加速度传感器实时在线拾取城市轻轨机组减速机齿轮箱振动加速度、力、温度与声音等健康信息，利用无线传输技术将数据传输到运营监控中心并重建数据；在运营监控中心，对重建数据进行预处理；基于时域/频域分析方法对设备及其关键件的故障程度、位置进行诊断；基于预处理后的数据提取反映设备及其关键件状态的融合健康因子时间序列，利用四元数预测模型进行退化跟踪预测与剩余寿命预测。本发明可对远程地铁轻轨机组采集数据可实时重建，并在线监测与预测，该系统故障定位与识别精度高，预测响应速度快，可应用于城市轻轨与高铁健康监测等领域。
-
公开(公告)号：CN114372324A
公开(公告)日：2022-04-19
申请号：CN202111590659.3
申请日：2021-12-23
申请人： 安徽农业大学
IPC分类号： G06F30/17 , G06F30/20 , G06F17/16 , G06F119/02 , G06F119/04
摘要： 本发明的一种旋转机械装备关键零部件服役退化轨迹预测方法及设备，其方法采用四元数框架下加权增量分数阶卡尔曼滤波算法作为退化预测模型，包括利用加速度传感器采集旋转机械装备关键零部件运行过程中的多通道振动加速度数据；对采集数据进行预处理，计算得到设备关键零部件的多通道健康因子时间序列及其Hurst指数与分数阶数；根据建立的四元数框架下加权增量分数阶卡尔曼滤波预测模型，可对未来退化趋势健康因子时间序列进行预测跟踪。本发明无需考虑外界环境与复杂工况对设备关键零部件的性能退化影响，也无需考虑系统物理结构参数的影响，考虑了多通道健康因子序列的时空与分数阶特性，适合多通道退化数据一次性预测，运行速度快，预测精度高。
-
公开(公告)号：CN114372324B
公开(公告)日：2024-09-24
申请号：CN202111590659.3
申请日：2021-12-23
申请人： 安徽农业大学
IPC分类号： G06F30/17 , G06F30/20 , G06F17/16 , G06F119/02 , G06F119/04
摘要： 本发明的一种旋转机械装备关键零部件服役退化轨迹预测方法及设备，其方法采用四元数框架下加权增量分数阶卡尔曼滤波算法作为退化预测模型，包括利用加速度传感器采集旋转机械装备关键零部件运行过程中的多通道振动加速度数据；对采集数据进行预处理，计算得到设备关键零部件的多通道健康因子时间序列及其Hurst指数与分数阶数；根据建立的四元数框架下加权增量分数阶卡尔曼滤波预测模型，可对未来退化趋势健康因子时间序列进行预测跟踪。本发明无需考虑外界环境与复杂工况对设备关键零部件的性能退化影响，也无需考虑系统物理结构参数的影响，考虑了多通道健康因子序列的时空与分数阶特性，适合多通道退化数据一次性预测，运行速度快，预测精度高。
-
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。
-
-
-
-
-
-
-
-
-
搜索结果
35 条记录 (耗时 0.04 秒)
