专利交易市场

基于改进自编码器的多信息融合压缩机缺陷诊断方法，属于全封闭压缩机缺陷诊断技术领域。包括以下步骤：1、搭建数据采集系统进行数据采集；2、寻优变分模态参数，对原始振动信号进行解耦和降噪；3、固有模态与原始振动信号进行融合作为模型的输入，提供更多的时域和时频域特征；4、把数据集划分为：无标签训练数据集、标签训练数据集和测试数据集；5、构建改进自编码器模型学习无标签训练样本的特征分布；6、利用标签训练集微调分类器参数，实现多传感器特征的融合；7、利用测试数据集对模型进行评估。本发明可以提取和融合不同传感器的时域和时频域特征用于压缩机的缺陷检测在少量标注样本的情况下，从而提高压缩机缺陷的检测率。

本发明涉及一种基于空间变换网络和注意力机制的齿轮箱故障诊断方法，其包括以下步骤，步骤1：采集齿轮箱的震动信号数据，将一维振动信号数据转换为二维时频图片数据；步骤2：将齿轮箱的二维时频图片数据组进行分组，获得训练集、验证集和测试集；步骤3：构建齿轮箱故障诊断模型；步骤4：完成齿轮箱故障诊断模型的训练，输出诊断结果。本发明在构建齿轮箱智能故障诊断模型的过程中，加入了空间变换网络和注意力机制，从而提高了模型的几何不变性，允许网络有选择地增强大量信息的特征，使后续处理能够充分利用这些特征，使模型更容易提取出故障的特征，实现智能故障诊断；使用多标签类平衡损失函数，解决了不平衡数据训练的问题。

本发明公开了一种机械故障冗余提升小波字典贝叶斯稀疏表示方法，属于机械故障诊断领域。本发明通过采用提升方法，设计了自适应提升小波字典。将多种群搜索策略融入量子遗传优化算法，以小波分解的细节信号的峭度指标最大为目标函数设计预测器，然后，以重构误差最小为目标函数设计更新器，有效地锁定信号的局部特征，准确地提取出信号瞬时故障特征信息。本发明适用于机械设备故障诊断。

本发明属于智能信号处理技术领域，具体的说是一种拖尾噪声背景下的机动目标分布式状态估计方法。本发明提出一种拖尾噪声背景下的机动目标分布式状态估计方法。本发明假设机动目标过程噪声与测量噪声均为拖尾噪声，通过将拖尾噪声建模为高斯‑伽马分布，并利用变分贝叶斯方法估计过程拖尾噪声、量测拖尾噪声相关分布参数，并通过对过程噪声相关分布参数进行一致性融合处理从而提高过程噪声估计精度。接下来对各个机动模型伪似然进行求解，从而解决了拖尾噪声背景下的机动目标多模型状态估计问题，最后基于GCI融合对目标状态后验估计结果进行一致性融合，从而提高目标运动状态估计精度。