公开(公告)号：CN116702076A

公开(公告)日：2023-09-05

申请号：CN202310596134.3

申请日：2023-05-25

Applicant: 东北林业大学

Inventor： 于迪 ,  傅海越 ,  解志杰 ,  詹昊 ,  吕景亮

IPC: G06F18/2433 ,  G06F18/21 ,  G06F18/213 ,  G06F18/214 ,  G06F18/25 ,  G06N3/04 ,  G06N3/08

Abstract: 一种基于CNN特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质，涉及旋转机械故障诊断领域。解决现有深度学习方法不能有效处理小样本，难以用于滚动轴承的故障诊断。方法包括：采集滚动轴承原始工况及目标工况下的振动信号，并对所述信号进行分割，构建源域样本数据集和目标域样本数据集；提取信号的时频特征，构建时频图像数据集；构建特征融合的CNN模型；将原始振动信号和对应的时频图像进行归一化处理并利用源域数据进行CNN模型训练，获取CNN训练模型；根据目标域中部分样本调整CNN训练模型，获取CNN故障诊断微调模型；采用所述微调模型诊断目标域剩余样本，获取故障诊断结果。应用于滚动轴承的智能检测领域。