申请/专利权人：苏州大学

申请日：2024-03-26

公开（公告）日：2024-06-28

公开（公告）号：CN118260631A

主分类号：G06F18/24

分类号：G06F18/24;G01M13/045;G06F18/241;G06F18/2415;G06F18/10;G06F18/2131;G06F18/25;G06N3/0464;G06N3/096

优先权：

专利状态码：在审-公开

法律状态：2024.06.28#公开

摘要：本发明提供一种故障轴承中故障类型监测方法和系统，涉及轴承故障诊断技术领域，该方法包括采集各种故障类型的轴承振动信号，并构建故障诊断数据集，将不同阶段的故障任务划分初始任务和增量任务，并确定初始任务和增量任务的故障类别数；构建初始故障诊断模型；基于初始故障诊断模型，对增量任务进行训练，包括模型自适应阶段训练和模型融合阶段训练，通过蒸馏损失将新模型和旧模型进行整合，得到整合后的故障诊断模型；利用整合后的故障诊断模型对待检测的故障轴承振动信号进行故障诊断，得到待检测的故障轴承振动信号的故障类型；与传统的深度学习方法相比，本发明能缓解灾难性遗忘问题，更符合工业应用的实际场景。

主权项：1.一种故障轴承中故障类型监测方法，其特征在于，包括：S1：采集各种故障类型的轴承振动信号，并构建故障诊断数据集，将不同阶段的故障任务划分初始任务和增量任务，并确定初始任务和增量任务的故障类别数，其中初始任务是指在故障诊断模型训练的初期阶段，使用预先收集的故障轴承振动信号数据集进行的训练任务，增量任务是指在故障诊断的过程中，当新的故障类型或新的故障样本出现时，需要故障诊断模型进行学习和适应的任务，增量任务由若干增量阶段组成，在每个增量阶段的训练过程中，均分为模型自适应阶段和模型融合阶段；S2：根据初始任务的故障样本和对应的故障类别进行初始任务的训练并提取故障特征，构建初始故障诊断模型；S3：基于初始故障诊断模型，对增量任务进行训练，包括模型自适应阶段训练和模型融合阶段训练，通过蒸馏损失将新模型和旧模型进行整合，得到整合后的故障诊断模型，其中新模型和旧模型是指在故障诊断模型训练过程中的不同阶段所对应的模型版本，具体包括：S31：在增量任务中，根据增量任务的故障样本与对应的故障类别，分别为每个旧任务构建分支层，以便在新任务到来时存储旧知识，然后将分支层合并以解决模型增长问题，其中旧任务是指相对于当前正在处理的增量任务而言，之前已经学习并处理过的任务，新任务是指模型需要识别新的故障类型或处理新的故障样本；S32：每个增量阶段包括模型自适应阶段和模型融合阶段，其中模型自适应阶段在增加的新故障样本上训练，模型融合阶段在新故障样本以及之前所有故障任务中选取的部分旧故障样本上进行训练；S33：利用融合损失优化模型对各类故障类型的学习，并通过蒸馏损失将新模型和旧模型进行整合，得到整合后的故障诊断模型；S4：利用整合后的故障诊断模型对待检测的故障轴承振动信号进行故障诊断，得到待检测的故障轴承振动信号的故障类型。

全文数据：

权利要求：

百度查询： 苏州大学 一种故障轴承中故障类型监测方法和系统

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