申请/专利权人:大连交通大学
申请日:2024-04-09
公开(公告)日:2024-06-11
公开(公告)号:CN118171065A
主分类号:G06F18/20
分类号:G06F18/20;G06F18/213;G06F18/211;G06N3/045;G06N3/0464;G06N3/0442;G06N5/01;G01R31/34;G06F123/02
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.06.28#实质审查的生效;2024.06.11#公开
摘要:本发明公开了基于CNN‑BiLSTM‑残差模块‑注意力机制的电机转子故障诊断方法,属于故障诊断技术领域,包括以下步骤:S1、使用改进后的切尔诺贝利灾难算法ICDO优化VMD参数;S2、VMD分解电机转子故障初始数据后,根据相关系数准则和峭度筛选出具有故障特征信号成分的IMF分量,再进行信号重构;S3、求出重构信号的时域特征、频域特征,利用综合分析方法筛选数据特征;S4、将筛选出的数据特征输入CNN‑BiLSTM‑残差模块‑注意力机制网络进行故障诊断。本发明采用上述的基于CNN‑BiLSTM‑残差模块‑注意力机制的电机转子故障诊断方法,能准确的实现电机转子故障诊断,同时经过对加入噪声干扰时电机转子故障和轴承不同故障的诊断,表明提出的模型具有良好的抗噪声鲁棒性和泛化性。
主权项:1.基于CNN-BiLSTM-残差模块-注意力机制的电机转子故障诊断方法,其特征在于,包括以下步骤:S1、使用改进后的切尔诺贝利灾难算法ICDO优化VMD参数;S2、VMD分解电机转子故障初始数据后,根据相关系数准则和峭度筛选出具有故障特征信号成分的IMF分量,再进行信号重构;S3、求出重构信号的时域特征、频域特征,利用KPCA、RF、XGBOOST和排列重要性的综合分析方法筛选数据特征;S4、将筛选出的数据特征输入CNN-BiLSTM-残差模块-注意力机制网络进行故障诊断。
全文数据:
权利要求:
百度查询: 大连交通大学 基于CNN-BiLSTM-残差模块-注意力机制的电机转子故障诊断方法
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。