“宋浏阳”申请（专利权）人搜索_中国专利权人_发明人_技术持有人_科研专家_钻瓜专利网

钻瓜专利网为您找到相关结果22个，建议您升级VIP下载更多相关专利

[发明专利]基于时间卷积神经网络的锂离子电池剩余寿命预测方法-CN202111039920.0有效
发明人：王华庆;郭旭东;马波;宋浏阳 -专利权人：北京化工大学
申请日： 2021-09-06 - 公布日： 2023-10-24 - 主分类号： G01R31/367 文献下载
摘要：基于时间卷积神经网络的锂离子电池剩余寿命预测方法属于锂离子电池故障预测与健康管理领域。电池设备退化过程是一个高度非线性，复杂的多维系统，时变性强，现有算法预测过程需要专家知识和先验知识，费时费力，且预测过程困难，精度低。本方法通过神经网络强大的时序建模能力，挖掘时间序列中的隐藏模型，自动的建立所测参数与寿命之间的非线性映射关系。由于卷积计算的并行性机制，可以使用图形计算进行加速训练，计算更快。本发明提出了一种参数筛选器的计算方法，无效参数和冗余参数过多时，可以自动筛选一部分参数，减少了预测工作量，提高了训练效率。
基于时间卷积神经网络锂离子电池剩余寿命预测方法

[发明专利]基于递阶式分布计算机网的呼吸机报警信息处理系统-CN202111125183.6有效
发明人：王华庆;刘锦涛;宋浏阳;刘伟;李天庆;段军;陈学斌 -专利权人：北京化工大学
申请日： 2021-09-26 - 公布日： 2023-06-13 - 主分类号： G08B21/18 文献下载
摘要：基于递阶式分布计算机网的呼吸机报警信息处理系统属于呼吸机联网应用技术领域，其特征在于，这是一种对医院所有呼吸机进行联网质量监控的硬件平台，尤其适用于呼吸机运行时排除因为设备缺陷而导致的非疾病因素而发出的报警，该平台设立了由呼吸机内的传感器发出的安全报警通道和在用手动供氧代替了在用呼吸机后由病房主治医师诊断、侦查后经键盘通道发出的事故报警二条通道，在患者治疗优先的条件下事故报警事件的真实性，后者是由呼吸机CPU通过蜂鸣器作声报警，同时用LED灯作光报警，通过显示屏直接显示。本发明在系统发出安全报警信号后，通过对下岗后呼吸机的缺陷侦查及病房主治医师的诊断共同保证了事故报警信号的真实性。
基于递阶式分布计算机网呼吸报警信息处理系统

[发明专利]一种基于lp范数改进稀疏组lasso的轴承故障诊断方法-CN202211450110.9在审
发明人：王华庆;王报国;宋浏阳;韩长坤;张红杰 -专利权人：北京化工大学
申请日： 2022-11-19 - 公布日： 2023-04-04 - 主分类号： G01M13/045 文献下载
摘要：一种基于lp范数改进稀疏组lasso的轴承故障诊断方法用于轴承故障诊断。使用二进制周期先验来引导振动信号组的划分，并且增强脉冲特征。利用所提算法对信号进行稀疏表示，根据稀疏信号包络进行故障诊断。故障诊断的具体步骤如下：(1)输入原始信号；(2)计算故障频率；(3)计算二进制周期先验序列；(4)设置权重参数和迭代次数；(5)用不同周期先验进行稀疏表示；(6)根据稀疏信号包络谱进行故障判别。
一种基于 lp 范数改进稀疏 lasso 轴承故障诊断方法

[发明专利]一种基于残差学习与注意力机制融合的故障诊断方法-CN202211371899.9在审
发明人：王华庆;付振宝;宋浏阳;徐智涛 -专利权人：北京化工大学
申请日： 2022-11-03 - 公布日： 2023-01-24 - 主分类号： G06F18/24 文献下载
摘要：本发明公开了一种基于残差学习与注意力机制融合的故障诊断方法。步骤：(1)将采集到的多个传感器原始信号数据进行融合，然后进行归一化处理并归一化后数据转换为二维灰度图数据集作为模型的输入；(2)搭建模型，包含倒瓶颈结构残差块、自注意力与卷积结合残差块(CA)、挤压和激励网络残差块(SE)和多层感知机分类器(MLP)组成；(3)倒瓶颈结构残差块提取样本特征，CA丰富提取的故障特征；(4)SE利用通道挤压与激励操作着重处理有用特征，忽视无效特征；(5)MLP将输出各个故障类别；(6)通过每轮迭代交叉熵所得损失，反向传播至模型更新参数。当迭代最终次数时，确定网络模型用以故障类型识别。本发明提取更多有效信息，运算速度更快，识别率更高。
一种基于学习注意力机制融合故障诊断方法

[发明专利]一种基于接触角变化量的滚动轴承故障安全识别方法-CN202110467761.8有效
发明人：王华庆;王芃鑫;李天庆;宋浏阳;刘伟;陈学斌 -专利权人：北京化工大学
申请日： 2021-04-28 - 公布日： 2022-10-21 - 主分类号： G01M13/045 文献下载
摘要：一种基于接触角变化量的滚动轴承故障安全识别方法，属于轴承安全运行领域。其特征在于对样本滚动轴承作破坏试验时，在采样间距为1分钟的条件下，把第二个采样周期末端的接触角与第一个采样周期末端的接触角之差作为接触角变化量，并把它与破坏后目测的轴承故障类别相结合。在对测试样本轴承作破坏试验时，按测得的接触角变化量，在样本轴承集中找到一个与接触角变化量最接近的一个样本轴承，据此就能识别出所述测试轴承的故障类别，并在测得故障阶段初期，第二个采样间距末时刻t2时，微控制器向主轴控制器发出令主轴停转的指令，便可在止损时限内超前止损，实现了故障识别与轴承安全的双赢。本发明保证了轴承故障识别不会对轴承造成破坏，适用于企业内滚动轴承的安全上岗，也可对线上滚动轴承作故障预测。
一种基于接触角变化滚动轴承故障安全识别方法

[发明专利]一种基于数据增强和加权域适应的开集故障诊断方法-CN202210400739.6在审
发明人：王华庆;徐智涛;宋浏阳 -专利权人：北京化工大学
申请日： 2022-04-17 - 公布日： 2022-08-05 - 主分类号： G06V10/40 文献下载
摘要：本发明公开了一种基于数据增强和加权域适应的开集故障诊断方法。本发明将设备不同工况下采集到数据进行数据增强后转换为二维图片样本，联合基于加权域适应网络模型实现开集故障识别。其包括以下步骤：(1)将采集到的原始数据进行归一化处理并进行重叠采样后，将数据转换为二维图片作为模型的输入；(2)搭建加权域适应模型，包含特征提取、加权和分类模块；(3)特征提取模块提取样本特征；(4)源域特征通过分类模块和加权模块计算损失；(5)目标域特征通过加权模块计算与源域的相似性，为非共享类样本分配小权重；(6)通过每次迭代所得损失，反向传播至模型更新参数。当迭代至最大次数时，确定网络模型用以开集故障诊断。
一种基于数据增强加权适应故障诊断方法

[发明专利]基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法-CN202210400678.3在审
发明人：王华庆;张玺森;宋浏阳;赵晟凯 -专利权人：北京化工大学
申请日： 2022-04-17 - 公布日： 2022-07-29 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法。本发明基于多参数融合深度神经网络提取轴承多个时域参数并进行融合，采用小波激活函数Morlet，构建融合健康因子，利用时间卷积神经网络，将健康因子作为样本数据，实现轴承退化趋势预测。其步骤如下：(1)采集轴承全寿命振动信号；(2)提取时域参数并进行归一化处理；(3)基于单调性和相关性标准，筛选时域参数；(4)设置标签，形成构建健康指标所需的数据集；(5)设定多参数融合深度神经网络结构，构建融合健康因子；(6)对融合健康因子设置标签，形成预测轴承退化趋势所需的数据集；(7)设定时间卷积神经网络结构，实现轴承退化趋势预测。
基于参数融合健康因子时间卷积神经网络轴承退化趋势预测方法

[发明专利]一种基于单边衰减小波卷积稀疏的轴承故障特征提取方法-CN202210326228.4在审
发明人：王华庆;韩长坤;宋浏阳 -专利权人：北京化工大学
申请日： 2022-03-29 - 公布日： 2022-07-22 - 主分类号： G01M13/045 文献下载
摘要：一种基于单边衰减小波卷积稀疏的轴承故障特征提取方法属于旋转机械故障诊断领域，涉及滚动轴承的故障诊断方法。本发明是通过对采集的故障振动信号的本征分析与给定域内的相关性分析，构造与冲击波形最为近似的单边衰减小波。特别涉及单边衰减小波与振动信号卷积降噪，降低了信号的冗余分量，实现了信号的主要冲击特征的提取，实现了轴承的故障诊断。
一种基于单边衰减卷积稀疏轴承故障特征提取方法

[发明专利]一种基于机理仿真与数据驱动相融合的故障诊断方法-CN202210354885.X在审
发明人：王华庆;佟兴伟;宋浏阳;韩长坤 -专利权人：北京化工大学
申请日： 2022-03-28 - 公布日： 2022-07-22 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种基于机理仿真与数据驱动相融合的故障诊断方法，针对故障诊断中的小样本和不均衡问题，研究故障机理构造故障仿真公式模拟故障数据同时利用生成对抗网络生成相似数据进而扩充并平衡样本量并匹配卷积神经网络实现故障分类。包括以下步骤：(1)选取轴承加速度信号中的驱动端数据作为实验分析数据；(2)数据预处理时将各类数据进行截断作为一个样本；(3)设置训练集和测试集并模拟不均衡数据集；(4)研究故障机理，根据故障机理构建仿真公式，参考真实试验台参数并结合时域图与包络谱进行仿真公式中的参数确定；(5)利用生成对抗网络对三种故障状态的信号进行生成并与原始样本混合至均衡数据集；(6)生成样本质量评价。
一种基于机理仿真数据驱动融合故障诊断方法

[发明专利]基于D-CNN的呼吸机假阳性报警识别方法及系统-CN202111466270.8在审
发明人：王华庆;刘锦涛;宋浏阳;刘伟;李天庆;段军;陈学斌;郭旭东 -专利权人：北京化工大学
申请日： 2021-11-30 - 公布日： 2022-02-15 - 主分类号： G06N3/04 文献下载
摘要：本发明涉及一种基于D‑CNN的呼吸机假阳性报警识别方法及系统，其包括：对采集到的体征特征参数数据进行预处理，将处理后的数据划分为测试样本和训练样本；由所述训练样本训练卷积神经网络得到双层卷积神经网络模型，以得到由一维特征参数到假阳性报警和报警时长的多层映射关系；将所述测试样本输入第一层卷积神经网络模型，输出结果作为第二层卷积神经网络模型的输入，通过所述映射关系识别出假阳性报警。本发明能正确识别呼吸机的假阳性报警，正确确定病人的健康状况。
基于 cnn 呼吸阳性报警识别方法系统

[发明专利]一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法-CN202111072257.4在审
发明人：王华庆;林天骄;宋浏阳;郭旭东 -专利权人：北京化工大学
申请日： 2021-09-14 - 公布日： 2021-12-31 - 主分类号： G06Q10/04 文献下载
摘要：本发明公开了一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法，(1)利用迁移学习的思想，构建了一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法；(2)利用分类任务驱动得到卷积神经网络作为源域模块提取故障特征(3)利用剩余寿命预测任务驱动的长短时记忆网络作为目标域模块实现剩余寿命预测(4)构建特殊的损失函数完成源域故障特征迁移至目标域的过程，有效地提高了剩余寿命预测的精度；(5)固定训练成功的目标域模块参数，输入待预测的实时数据即可获得可视化的剩余寿命预测结果。通过与其他传统机器学习方法进行对比，本发明预测精度高，有较大的实际应用意义。
一种基于故障特征迁移航空发动机剩余寿命预测方法

[发明专利]一种基于L1范数与组范数约束的滚动轴承信号的频域故障诊断方法-CN202111076083.9在审
发明人：王华庆;韩长坤;宋浏阳;卢威 -专利权人：北京化工大学
申请日： 2021-09-14 - 公布日： 2021-12-07 - 主分类号： G01M13/045 文献下载
摘要：一种基于L1范数与组范数约束的滚动轴承信号的频域故障诊断方法属于故障诊断技术领域。本发明通过L1范数与组范数约束的目标方程，采用优化最小化的方法对振动信号进行分析。通过对频域的信号的分组稀疏迭代分析，实现了信号的组内与组间的稀疏效果，提取了主要信号的主要振动频率。因此本发明可以用来监测与诊断轴承的故障类型。
一种基于 l1 范数约束滚动轴承信号故障诊断方法

[发明专利]一种基于改进K-SVD字典学习和压缩感知的轴承故障诊断方法-CN201911310930.6有效
发明人：王华庆;卢威;任帮月;李天庆;宋浏阳;苑博威 -专利权人：北京化工大学
申请日： 2019-12-18 - 公布日： 2021-10-01 - 主分类号： G01M13/045 文献下载
摘要：本发明涉及一种故障诊断方法，融合改进K‑SVD字典学习和压缩感知算法，属于轴承故障诊断技术领域。本发明利用基于轴承故障特点，将轴承信号稀疏化得到一个稀疏信号增强信号特征，然后将所得稀疏信号计算分封制特征波形，利用压缩感知算法对上述特征波形进行非线性采样，最后利用压缩采样匹配追踪法追踪谐波，最后将分离所得的信号进行傅里叶变换提取轴承的故障特征最终实现轴承的故障诊断。
一种基于改进 svd 字典学习压缩感知轴承故障诊断方法

[发明专利]一种基于信号下采样及一维卷积神经网络的故障诊断方法-CN202110210495.0在审
发明人：王华庆;苑博威;宋浏阳;王芃鑫;李石 -专利权人：北京化工大学
申请日： 2021-02-25 - 公布日： 2021-06-25 - 主分类号： G06K9/00 文献下载
摘要：本发明公开了一种基于信号下采样及一维卷积神经网络的故障诊断方法，包括以下步骤：(1)通过加速度传感器采集旋转机械故障源附近的振动信号；(2)将采集到的振动信号根据序列样本尺寸截断获得截断信号后，对数据进行标准化处理，使不同类别数据的振幅值统一到同一范围中；(3)针对标准化处理后的信号样本，根据基于稀疏‑低秩分解的信号下采样方法构造一维序列样本；(4)将步骤(3)中所得的一维序列样本输入所述改进的卷积神经网络进行训练，网络经过多次训练迭代后收敛后计算训练精度；(5)根据训练的预测准确率调整网络参数，直至准确率达到稳定后，确定一维卷积神经网络模型用以故障诊断。
一种基于信号采样卷积神经网络故障诊断方法

[发明专利]基于声发射的滚动轴承单故障辨识方法-CN201911370899.5有效
发明人：王华庆;申博文;李天庆;宋浏阳;陈学斌 -专利权人：北京化工大学
申请日： 2019-12-27 - 公布日： 2020-12-11 - 主分类号： G01M13/045 文献下载
摘要：基于声发射的滚动轴承单故障辨识方法。基于声信号的滚动轴承单故障辨识方法属于轴承故障声信号检测领域，其特征在于，以轴承座为轴承载体，光纤传声器为传感器，以轴承座上表面正对着座体三维几何中心处为坐标原点，在上表面对称建立一个长为轴承外圈周长的采样区，以轴承额定转速设定的采样点数，样本群内各样本的最大采样时长为实际采样长度，把采集数据处理成一个列为周期序号，行为采样点号的故障模态矩阵，以作为矩阵元素的振动值中的最大值所在的采样点视为故障源，在电磁、杂散噪声大大小于故障冲击信号情况下，分别以故障频率和相关峭度的两种不同识别方法，判定故障类别。与现有技术比，具有足够可靠、快速辨识的优点。
基于声发滚动轴承故障辨识方法

1
2
下一页»
尾页
共 22 条