公开(公告)号：CN108344564A

公开(公告)日：2018-07-31

申请号：CN201711421570.8

申请日：2017-12-25

Applicant: 北京信息科技大学

Inventor： 王红军 ,  付胜华

IPC: G01M13/00 ,  G01M13/04 ,  G06K9/00 ,  G06K9/62

Abstract: 本发明涉及一种基于深度学习的主轴特性试验台状态识别及预测方法，其步骤：采集主轴特性试验台运行过程中的振动信号，对振动信号进行归一化处理后，采用EEMD对归一化后的振动信号降噪处理后得到IMF分量，对得到的IMF分量重构形成还原信号；还原信号作为CNN的输入样本，对还原信号进行特征提取后得到特征向量进行CNN特征学习，得到训练特征样本；训练特征样本通过多层LSTM编码时间信息，并通过Softmax逻辑回归进行分类得到预测特征样本，实现运行状态的预测；通过训练特征样本和预测特征样本进行Softmax逻辑回归，在逻辑回归层上进行分类判定转子回转试验台系统的故障类型，实现状态识别。本发明具有快速的响应性能和跟踪性能。

公开(公告)号：CN108344564B

公开(公告)日：2019-10-18

申请号：CN201711421570.8

申请日：2017-12-25

Applicant: 北京信息科技大学

Inventor： 王红军 ,  付胜华

IPC: G01M13/00 ,  G01M13/045 ,  G06K9/00 ,  G06K9/62

Abstract: 本发明涉及一种基于深度学习的主轴特性试验台状态识别及预测方法，其步骤：采集主轴特性试验台运行过程中的振动信号，对振动信号进行归一化处理后，采用EEMD对归一化后的振动信号降噪处理后得到IMF分量，对得到的IMF分量重构形成还原信号；还原信号作为CNN的输入样本，对还原信号进行特征提取后得到特征向量进行CNN特征学习，得到训练特征样本；训练特征样本通过多层LSTM编码时间信息，并通过Softmax逻辑回归进行分类得到预测特征样本，实现运行状态的预测；通过训练特征样本和预测特征样本进行Softmax逻辑回归，在逻辑回归层上进行分类判定转子回转试验台系统的故障类型，实现状态识别。本发明具有快速的响应性能和跟踪性能。