申请/专利权人：江南大学

申请日：2023-12-19

公开（公告）日：2024-03-26

公开（公告）号：CN117760731A

主分类号：G01M13/045

分类号：G01M13/045;G06F18/241;G06F18/214;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明提供一种基于Soft‑IntroVAE和1D‑2DA‑FCNN的不平衡样本滚动轴承故障诊断方法及系统，涉及故障检测技术领域，该方法包括利用传感器采样各类故障的振动信号；对传感器采集到的振动信号进行重叠采样，并通过FFT变换将一维时序数据转化为一维时频数据；将不均衡的训练数据样本输入到Soft‑IntroVAE样本生成模型中进行样本增广，并将增广后的数据与原始训练数据进行融合，构建新的平衡训练集；将平衡训练数据样本输入到1D‑2DA‑FCNN轴承故障诊断模型中进行训练；将测试数据样本输入训练好的1D‑2DA‑FCNN轴承故障诊断模型进行特征提取，并进行分类，输出分类结果。本发明在数据不均衡情况下，能够显著提高轴承故障诊断的准确率。

主权项：1.一种基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法，其特征在于，包括：步骤S1：利用传感器采样各类故障的振动信号；步骤S2：对传感器采集到的振动信号进行重叠采样，并通过FFT变换将一维时序数据转化为一维时频数据，将数据划分为训练数据集和测试数据集；步骤S3：将不均衡的训练数据样本输入到Soft-IntroVAE样本生成模型中进行样本增广，并将增广后的数据与原始训练数据进行融合，构建新的平衡训练集；步骤S4：将平衡训练数据样本输入到1D-2DA-FCNN轴承故障诊断模型中进行训练，直至满足模型训练终止条件或达到训练次数，停止训练并保存训练好的1D-2DA-FCNN轴承故障诊断模型，具体包括：首先将经过FFT处理过的一维时频数据通过1D-CNN网络的卷积层，提取频谱信号的层次特性，再通过池化层，进一步使提取到的特征降维，从而减少数据和网络参数的数量，减小过拟合；然后通过1D-CNN网络和2DA-CNN网络的集合部分，将从1D-CNN网络中提取到的一维特征向量通过重新组合转化成二维的特征向量，输入到2DA-CNN网络中进行进一步的特征提取；接着将2DA-CNN网络提取到的故障特征展平并输入到全连接层；最后输入到SoftMax分类器中进行故障分类，分类部分采用经典的交叉熵损失最小化训练数据真实标签和预测标签之间的分类误差；使用反向传播算法对1D-2DA-FCNN轴承故障诊断模型进行训练，当满足模型训练终止条件或达到训练次数时，停止训练并保存训练好的模型；步骤S5：将测试数据样本输入训练好的1D-2DA-FCNN轴承故障诊断模型进行特征提取，并进行分类，输出分类结果。

全文数据：

权利要求：

百度查询： 江南大学 基于Soft-IntroVAE和1D-2DA-FCNN的不平衡样本滚动轴承故障诊断方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD