-
公开(公告)号：CN114838936A
公开(公告)日：2022-08-02
申请号：CN202210384062.1
申请日：2022-04-13
Applicant: 北京交通大学
IPC: G01M13/045 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种变转速工况下样本不平衡的滚动轴承故障诊断方法及系统，属于智能故障诊断技术领域，包括：同时采集多组滚动轴承振动信号和转速信号数据，并将数据划分为训练集和测试集；利用基于广义解调的频谱对齐算法对训练集和测试集信号做预处理，得到频域特征向量；不平衡采样器对特征向量做重采样，得到平衡分布的样本集；将训练样本集输入深度迁移卷积神经网络中，构建频域特征与故障类型之间的空间映射；以测试样本集为输入，利用诊断模型实现滚动轴承智能故障分类。本发明实现了变转速工况下样本不平衡分布的滚动轴承故障诊断，故障识别精度高，具有实际工程应用价值。
-
公开(公告)号：CN114298110A
公开(公告)日：2022-04-08
申请号：CN202111642929.0
申请日：2021-12-29
Applicant: 北京交通大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G06N3/08 , G01M13/045
Abstract: 本发明提供一种基于可解释1DCNN模型的滚动轴承故障诊断方法及系统，属于设备故障诊断技术领域，同时采集多组滚动轴承振动信号和转速信号数据，并将数据划分为训练集和测试集；对振动信号做包络解调得到包络信号，同时将转速信号转换为广义解调算子；然后利用广义解调算子在敏感频率带内对包络信号做广义解调，得到频率特征向量；将一维频率特征输入到1DCNN模型中做训练，将测试集中得到的频率特征向量输入到1DCNN中做测试，输出诊断结果；利用LIME对1DCNN模型做分析，得到带有权重的特征值，对模型的诊断结果做出解释。本发明克服了智能诊断模型样本需求大以及可解释性差的问题，在时变转速工况下具有识别度高、样本依赖性小的优点，实际应用强。
-
公开(公告)号：CN114298110B
公开(公告)日：2024-04-19
申请号：CN202111642929.0
申请日：2021-12-29
Applicant: 北京交通大学
IPC: G06F18/2415 , G06F18/2431 , G06F18/214 , G06F18/213 , G06N3/0464 , G06N3/047 , G06N3/048 , G06N3/08 , G01M13/045
Abstract: 本发明提供一种基于可解释1DCNN模型的滚动轴承故障诊断方法及系统，属于设备故障诊断技术领域，同时采集多组滚动轴承振动信号和转速信号数据，并将数据划分为训练集和测试集；对振动信号做包络解调得到包络信号，同时将转速信号转换为广义解调算子；然后利用广义解调算子在敏感频率带内对包络信号做广义解调，得到频率特征向量；将一维频率特征输入到1DCNN模型中做训练，将测试集中得到的频率特征向量输入到1DCNN中做测试，输出诊断结果；利用LIME对1DCNN模型做分析，得到带有权重的特征值，对模型的诊断结果做出解释。本发明克服了智能诊断模型样本需求大以及可解释性差的问题，在时变转速工况下具有识别度高、样本依赖性小的优点，实际应用强。
-
公开(公告)号：CN114838936B
公开(公告)日：2023-04-18
申请号：CN202210384062.1
申请日：2022-04-13
Applicant: 北京交通大学
IPC: G01M13/045 , G06F18/24 , G06N3/0464 , G06N3/096
Abstract: 本发明公开了一种变转速工况下样本不平衡的滚动轴承故障诊断方法及系统，属于智能故障诊断技术领域，包括：同时采集多组滚动轴承振动信号和转速信号数据，并将数据划分为训练集和测试集；利用基于广义解调的频谱对齐算法对训练集和测试集信号做预处理，得到频域特征向量；不平衡采样器对特征向量做重采样，得到平衡分布的样本集；将训练样本集输入深度迁移卷积神经网络中，构建频域特征与故障类型之间的空间映射；以测试样本集为输入，利用诊断模型实现滚动轴承智能故障分类。本发明实现了变转速工况下样本不平衡分布的滚动轴承故障诊断，故障识别精度高，具有实际工程应用价值。
-
-
-
Search Results
4
records
(took 0.019 seconds)
