公开(公告)号：CN110455530A

公开(公告)日：2019-11-15

申请号：CN201910880463.4

申请日：2019-09-18

Applicant: 福州大学

Inventor： 张俊 ,  张建群 ,  钟敏 ,  陈金鹏 ,  刘新生

IPC: G01M13/021 ,  G01M13/028 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出一种谱峭度结合卷积神经网络的风机齿轮箱复合故障诊断方法，包括以下步骤：步骤S1：采集不同类型风机故障对应的故障信号，作为训练样本；步骤S2：对采集获得的所述故障信号进行去均值化和降噪；步骤S3：获取经过步骤S2处理的故障信号的谱峭度图，并将所述谱峭度图转化为灰度图；步骤S4：统一所有所述灰度图的尺寸，将所有所述灰度图随机划分成训练集、测试集；步骤S5：初始化卷积神经网络的网络参数，训练卷积神经网络模型；步骤S6：将测试集输入到步骤S5训练完成的卷积神经网络模型，获得诊断结果。本发明使用谱峭度图作为卷积神经网络的输入识别特征，对于风机的复合故障识别更为精准。

公开(公告)号：CN108426715A

公开(公告)日：2018-08-21

申请号：CN201810610048.2

申请日：2018-06-13

Applicant: 福州大学

Inventor： 张俊 ,  张建群 ,  钟敏 ,  李习科 ,  许涛

IPC: G01M13/04

CPC classification number: G01M13/045

Abstract: 本发明提供一种基于PSO-VMD-MCKD的滚动轴承微弱故障诊断方法，对采集到的振动信号，首先利用PSO算法优化VMD算法，基于VMD对微弱故障信号分解后的结果，选取最优模态分量。其次，根据最优模态分量的包络谱中的突出频率范围，确定PSO对MCKD算法中T的寻优范围；利用PSO优化MCKD算法,再基于MCKD算法加强最优分量信号中的故障冲击成分。最后，包络谱提取轴承微弱故障特征并与理论故障频率进行对比，得到故障诊断结果。本发明克服了VMD和MCKD算法中参数难以确定问题，采用VMD实现了信号降噪及获取突出故障频率范围，采用MCKD进一步增强故障冲击成分，对于滚动轴承微弱故障诊断更为精准。