申请/专利权人：安徽大学

申请日：2024-03-19

公开（公告）日：2024-06-07

公开（公告）号：CN117909668B

主分类号：G06F18/15

分类号：G06F18/15;G06F18/2131;G06F18/21;G06F18/241;G06F18/2433;G06F18/25;G06N3/0464;G01M13/045

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明适用于旋转机械设备关键部件轴承智能故障诊断领域，提供了一种基于卷积神经网络的轴承故障诊断方法及系统，所述方法包括以下步骤：将从旋转机械设备获取的多故障状态振动信号进行预处理，检测并去除异常突变信号；基于多小波感知核进行特征提取和融合，即对信号进行分解、特征指标计算、相应频段特征指标整合和融合特征空间构建；对融合特征空间划分，并通过已训练的轴承故障诊断模型对特征空间进行深度特征校准和挖掘；对校准后的深度特征进行故障识别，输出轴承诊断结果。本发明解决了强背景噪声下诊断模型故障特征识别率差的问题，降低噪声影响，提高诊断精度。

主权项：1.一种基于卷积神经网络的轴承故障诊断方法，其特征在于，所述方法包括以下步骤：将从旋转机械设备获取的多故障状态振动信号进行预处理，检测并去除异常突变信号，得到第一振动信号；基于多小波感知核进行特征提取和融合，具体包括：构造多种不同尺度不同类型的多小波感知核，对第一振动信号进行全频段多尺度多层次分解，获取第一振动信号从低频至高频的多个频带分量，利用平滑移动采样方法分割每个频带分量，计算提升多小波信息熵，作为原始特征空间，对所有频带分量的原始特征空间进行相对应频段特征指标整合，获取低频段频带簇空间和高频段频带簇空间，利用特征降维方法将对应频带分量的低频段频带簇空间和高频段频带簇空间进行降维，融合得到从低频至高频的融合特征空间；对融合特征空间进行划分，得到训练特征空间和测试特征空间，并通过已训练的轴承故障诊断模型对训练特征空间进行深度特征校准和挖掘，其中深度特征校准包括：将训练特征空间表示为第一输入矩阵，将第一输入矩阵进行数据转换得到第二输入矩阵，对第二输入矩阵使用全局平均池化，并利用两个全连接层完成激励操作，得到过程权重，将第二输入矩阵与过程权重相乘得到校准后的训练特征空间；通过基于卷积神经网络的深层特征挖掘模块对校准后的训练特征空间进行深层次特征的挖掘，得到深层次特征空间；利用深层次特征空间迭代优化已训练好的轴承故障诊断模型，得到故障识别网络；输入测试特征空间到故障识别网络进行故障识别，输出轴承诊断结果。

全文数据：

权利要求：

百度查询： 安徽大学 基于卷积神经网络的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