-
公开(公告)号：CN113686576B
公开(公告)日：2023-08-29
申请号：CN202110940548.4
申请日：2021-08-17
Applicant: 山东科技大学
IPC: G01M13/045 , G06F18/15 , G06F18/2136 , G06F18/214 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于非线性卷积稀疏滤波的旋转机械早期故障诊断方法，涉及旋转机械早期故障诊断领域。该方法首先采集齿轮箱的振动信号，进行归一化，并构造故障信号的Hankel矩阵；然后建立非线性卷积稀疏滤波模型，将归一化后的振动信号直接输入到模型中进行训练，得到滤波器组；最后对滤波器进行降维，并对输入样本滤波，进行包络分析，判断故障的特征周期、特征频率，定位故障类型。本方法通过搭建并优化非线性卷积稀疏滤波模型，实现滤波器的优化与降为，与早期故障特征诊断方法相比，具有更好的噪声适应能力、计算效率和鲁棒性。
-
公开(公告)号：CN113686577A
公开(公告)日：2021-11-23
申请号：CN202110940650.4
申请日：2021-08-17
Applicant: 山东科技大学
IPC: G01M13/045 , G06K9/00
Abstract: 本发明公开了一种基于快速非线性稀疏谱的轴承故障诊断方法，涉及振动信号智能故障诊断技术领域。该方法包括以下步骤：预处理阶段，包括信号采集：将采集到的轴承故障振动信号作为输入样本；归一化处理：对采集的轴承故障信号y(n)进行Z‑score归一化处理，使处理后的样本数据都被归一化到均值为0、标准差为1的分布中，并采用Sigmoid函数进行非线性激活；确定最大分解层数K：根据信号的谱特征确定最大分解层数K；分频谱边界，重构信号，构建稀疏谱图，故障诊断。本方法通过引入pq‑mean这一稀疏表达取代了传统的峭度稀疏表达方式，并采用Z‑score归一化和非线性Sigmoid函数对样本数据进行预处理，较已有的故障诊断方法，具有更好的可调节性和鲁棒性。
-
公开(公告)号：CN113673397A
公开(公告)日：2021-11-19
申请号：CN202110916027.5
申请日：2021-08-11
Applicant: 山东科技大学
Abstract: 本发明公开了一种类加权对齐的局部域适应机械故障诊断方法，涉及旋转机械振动信号的故障诊断技术。本发明法首先采用卷积自动编码器提取源域和目标域的代表性特征，然后利用预训练源分类器的目标softmax输出，对跨两个域的共享类分配较大的权重，对无关类分配较小的权重，随后采用联合最大平均差异对跨域的全局特征进行对齐以最大限度地实现知识迁移，最后在共享分类器中插入一个域差异学习残差块来纠正和缓解域差异。通过域差异学习残差块。可以强制模型显式地学习域差异，既防止了特征可迁移性的减少，又便于从源域到目标域的域自适应，高效可靠的实现了不同工况下齿轮的故障特征迁移学习和智能诊断。
-
公开(公告)号：CN117807426B
公开(公告)日：2024-10-18
申请号：CN202311544870.0
申请日：2023-11-20
Applicant: 山东科技大学
IPC: G06F18/2131 , G06F18/2431 , G06F18/23211 , G06F18/214 , G06N3/096
Abstract: 本发明公开了一种注意力引导下多小波对抗网络的故障诊断方法及系统，涉及旋转机械振动信号的故障诊断技术领域，包括：获取振动信号并进行预处理；基于多小波卷积特征提取器进行特征提取；进行域差异混合度量；确定样本健康状态标签分类损失；确定领域鉴别器分类损失；构建故障诊断模型，确定优化目标。本发明利用多小波卷积和通道注意力机制，从输入信号中提取与冲击成分相关的可解释的故障特征。在源域特征层采用kNN算法构建标签模型，在特征提取层，采用一种新的域差异混合度量策略，高效可靠地实现了不同工况下齿轮的故障特征迁移学习和智能诊断。
-
公开(公告)号：CN116858539A
公开(公告)日：2023-10-10
申请号：CN202310589532.2
申请日：2023-05-24
Applicant: 山东科技大学
IPC: G01M13/045 , G01M13/04
Abstract: 本发明公开了基于双域信号的旋转机械协同跨域故障诊断系统及方法，涉及旋转机械振动信号的故障诊断技术领域，包括：基于双域信号特征提取器，将时域和频域信号特征提取；将每一层时域和频域采集的信号特征进行合并，基于双域融合特征提取器进行双域融合特征提取；使用Wasserstein距离度量器来度量源域和目标域之间特征的相似度；对双域特征进行逐层融合和提取，然后分别用故障分类器和域分类器进行分类。本发明利用了时域和频域信号的互补特性，具有较强的域对齐能力，采用Swin‑Transformer并行融合网络来同时提取和融合双域特征，并实现了对抗训练和Wasserstein距离相结合的域自适应技术，消除了转速波动对特征提取的影响，实现旋转机械转速波动工况下轴承的协同跨域故障诊断。
-
Patent Agency Ranking
公开(公告)号：CN115169399A
公开(公告)日：2022-10-11
申请号：CN202210781631.6
申请日：2022-07-04
Applicant: 山东科技大学
Abstract: 本发明公开了一种基于双向稀疏滤波的轴承微弱信号故障诊断方法，包括：A、建立用于故障诊断结果的分类样本：选取若干轴承作为训练样本；对信号样本做卷积取段处理，组成训练样本集；采用Laplacian特征映射将训练样本分段集进行主成分提取；将主成分作为输入矩阵输入到双向稀疏滤波模型中训练出权值矩阵；使用权值矩阵来映射主成分数据集，并采用绝对函数作为网络的激活函数，得到局部特征；使用全局平均池化来组合局部特征获得最终特征；将最终特征及相应类别标签，输入到softmax分类器中得出用于故障诊断结果的分类样本；B、对测试样本集进行健康类别诊断。本发明消除了微弱信号的噪声成分对特征提取的影响，精准智能地实现了微弱信号下轴承的故障诊断。
-
公开(公告)号：CN112487890A
公开(公告)日：2021-03-12
申请号：CN202011285521.8
申请日：2020-11-17
Applicant: 山东科技大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G01M13/045
Abstract: 本发明提供了一种基于并行稀疏滤波的轴承声信号故障诊断方法，A、建立用于故障诊断结果的分类样本：选取若干不同健康状态的轴承作为训练样本，对各种状况轴承署名相应状况标签，通过非接触式的声传感器采集不同状况轴承旋转时的声信号；采用固定步长的卷积操作对声信号样本做逐步取段处理，组成训练样本集；将训练样本集输入并行稀疏滤波模型中训练出权值矩阵；将所有提取的最终特征及其相应状况标签，输入到softmax分类器中得出用于故障诊断结果的分类样本；B、对检测工件进行状况类型诊断：将检测样本通过softmax回归模型与全部分类样本进行一一对照拟合，对比出最相似的分类样本，相应的状况标签即为检测样本的状况类型。
-
公开(公告)号：CN118965182A
公开(公告)日：2024-11-15
申请号：CN202411455923.6
申请日：2024-10-18
Applicant: 山东科技大学
IPC: G06F18/2415 , G06F18/214 , G06N3/04 , G06N3/094
Abstract: 本发明公开了一种基于GAN的信号分辨率增强方法及系统，涉及旋转机械振动信号的故障诊断技术领域，增强方法包括：选取7种健康状态的轴承数据，分为A和B两个数据集；将A，B两个数据集分别划分为高分辨率样本和低分辨率样本；将低分辨率样本B输入到生成器中进行数据增强；通过亚像素全连接层进行元素重排，生成高分辨率样本；将生成器生成的高分辨率样本和原始高分辨率样本输入到判别器来互相对抗；使用判别器从原始高分辨率样本和生成器的高分辨率样本之间来判断数据的真实性。本发明从分辨率增强和生成对抗网络的角度出发，提出了亚像素全连接生成对抗网络框架，从而使样本特征更加明显和准确。
-
公开(公告)号：CN114861749B
公开(公告)日：2024-10-22
申请号：CN202210236017.1
申请日：2022-03-11
Applicant: 山东科技大学
IPC: G06F18/23213 , G06F18/22 , G06F18/2415 , G01M13/045
Abstract: 本发明公开了一种基于深度原型网络的少样本轴承故障诊断方法，涉及轴承故障诊断技术技术领域，包括：支持集原型计算：采用改进的k‑means++聚类算法计算支持集中每个故障类别的原型；查询集判别分类：将支持集原型应用到查询集的判别分类中；查询集样本聚合：构造原型损失；测试集样本测试：测试集样本经过更新后的特征提取器处理后，将与每个已知故障类别的原型进行距离测量。本发明利用特征聚类算法k‑means++计算每个已知类的原型，通过计算标记后的目标样本到原型的欧氏距离，将标记后的目标样本分配到距离最近的原型类中。还构造原型损失以增强故障标记样本与对应原型之间的紧凑性，既可识别已知故障类别样本，又能有效地剔除来自未知类别的故障样本。
-
公开(公告)号：CN118568549B
公开(公告)日：2024-10-18
申请号：CN202411025366.4
申请日：2024-07-30
Applicant: 山东科技大学
IPC: G06F18/24 , G06F18/2131 , G06F18/15 , G01M13/045
Abstract: 本发明公开了基于熵特征与稀疏滤波网络的轴承声信号故障诊断方法，涉及旋转设备故障诊断领域，包括：采集目标轴承声信号；信号分解为IMF分量；评价指标筛选IMF分量；信号重构；提取小波包能量熵特征；特征集划分；训练稀疏滤波网络模型；测试稀疏滤波网络模型；故障诊断。本发明对轴承声信号进行EEMD获得若干个本征模态函数IMF，并根据评价指标选出能够表征原始信号状态的分量进行信号重构，利用小波包分解技术对重构信号进行处理，提取其能量熵特征；最后将能量熵特征以重叠方式划分为训练样本和测试样本，用训练样本训练稀疏滤波网络模型，并用测试样本进行测试。当模型训练完成后用于故障诊断，可实现对目标机械新获取的声信号数据进行故障分类。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.018 seconds)
