申请/专利权人：广东海洋大学

申请日：2023-09-15

公开（公告）日：2024-06-25

公开（公告）号：CN117232846B

主分类号：G01M13/045

分类号：G01M13/045;G06F18/241;G06F18/213;G06N3/0455;G06N3/08;G06V10/44;G06V10/764;G06V10/82;G01M13/04

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.01.02#实质审查的生效;2023.12.15#公开

摘要：本发明提供一种基于粗粒度的船用涡轮增压器轴承故障诊断方法，包括：基于粗粒度采样系数对轴承的各振动样本信号的频域信号进行粗粒度化处理，获得第二频谱特征值；基于第二频谱特征值生成粗粒度晶格特征图；利用粗粒度晶格特征图对故障识别神经网络进行训练，输出故障识别神经网络模型；利用故障识别神经网络模型对待诊断轴承的当前粗粒度晶格特征图进行识别，输出对应的故障类型；即采集涡轮增压器轴承故障信号后，对振动信号进行粗粒度化处理，显著增强故障信号的特征；对第一频谱特征值进行处理后，降低异常故障数据的影响；故障识别神经网络具有良好的特征融合和特征提取能力，精准的完成故障分类识别任务，提高滚动轴承的故障诊断准确率。

主权项：1.一种基于粗粒度的船用涡轮增压器故障诊断方法，其特征在于，所述方法包括：获取船用涡轮增压器轴承的振动样本信号；所述振动样本信号包括正常轴承的第一振动信号以及故障轴承的第二振动信号；所述第一振动信号和所述第二振动信号预设有对应的状态标签；将各所述振动样本信号转换为对应的频域信号，基于预设的粗粒度采样系数对各所述频域信号进行粗粒度化处理，获得对应的第一频谱特征值；对所述第一频谱特征值进行处理，获得对应的第二频谱特征值；并基于所述第二频谱特征值生成对应的粗粒度晶格特征图；利用所述粗粒度晶格特征图对预先构建的故障识别神经网络进行训练，输出训练好的故障识别神经网络模型；所述故障识别神经网络为SwinTransformer网络；确定待诊断轴承对应的当前粗粒度晶格特征图，利用所述故障识别神经网络模型对所述当前粗粒度晶格特征图进行识别，输出对应的故障类型；其中，所述基于预设的粗粒度采样系数对各所述频域信号进行粗粒度化处理，获得对应的第一频谱特征值，包括：针对任一所述频域信号，基于所述粗粒度采样系数，利用公式j＝fixrd将所述频域信号划分为多段子频域信号；根据公式FCNj＝sumFcj-1*d+1,j*d确定每段子频域信号的第一频谱特征值FCNj；其中，所述j为子频域信号的段数，所述d为所述粗粒度采样系数，所述fix为取整函数，所述r为所述频域信号的长度，FC为频谱信号的幅值；所述对所述第一频谱特征值进行处理，获得对应的第二频谱特征值，包括：利用公式对所述第一频谱特征值进行处理，获得所述第二频谱特征值Fcn′j；其中，所述Fcnj为所述第一频谱特征值，所述j为将所述频域信号划分为子频域信号的段数，所述Fcnmin为每段子频域信号中的最小频谱特征值，所述Fcnmax为每段子频域信号中的最大频谱特征值，所述S为预设的频谱特征值数量，所述S的值与所述j的值一致。

全文数据：

权利要求：

百度查询： 广东海洋大学 基于粗粒度的船用涡轮增压器故障诊断方法、装置及设备

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