-
公开(公告)号:CN115017945A
公开(公告)日:2022-09-06
申请号:CN202210567779.X
申请日:2022-05-24
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于增强型卷积神经网络的机械故障诊断方法和诊断系统,诊断方法包括如下步骤:采集机械设备不同故障类型的原始振动信号;对原始振动信号进行降噪处理,并将处理完的数据按照一定比例随机划分为训练集、验证集和测试集;搭建一个由特征提取模块、特征加权模块和特征分类模块三部分依次串接组成的增强型卷积神经网络模型;将训练集和验证集输入到搭建的增强型卷积神经网络模型中进行训练,采用早停法判断是否满足早停准则,如果满足,则提前结束训练;否则,更新权重和偏置参数继续输入增强型卷积神经网络模型中训练;将测试集输入到训练好的增强型卷积神经网络模型中进行测试,实现故障类型的自动识别。
-
公开(公告)号:CN114912480A
公开(公告)日:2022-08-16
申请号:CN202210359430.7
申请日:2022-04-07
Applicant: 南京林业大学
Abstract: 本发明公开了一种基于深度残差变分自编码器的故障诊断方法和诊断系统,所述诊断方法包括如下步骤:S10:获取机械设备在不同故障下的振动加速度信号X;S20:将所采集到的振动加速度信号X通过小波包分解并重构,获得小波包重构信号作为特征样本集,将所述特征样本集按一定比例随机划分为训练集和测试集;S30:通过将残差自编码模块和变分自编码器模块进行前后堆叠连接,构建形成深度残差变分自编码器网络模型;S40:将训练集输入到所述深度残差变分自编码器网络模型中进行依次训练,获得具有故障判别能力的深度网络模型;S50:将测试集输入至已训练好的深度网络模型中,自动识别机械故障的类型。
-
公开(公告)号:CN114912480B
公开(公告)日:2025-04-11
申请号:CN202210359430.7
申请日:2022-04-07
Applicant: 南京林业大学
IPC: G06F18/24 , G06F18/214 , G06N3/0464 , G06N3/045 , G06N3/088 , G01H17/00
Abstract: 本发明公开了一种基于深度残差变分自编码器的故障诊断方法和诊断系统,所述诊断方法包括如下步骤:S10:获取机械设备在不同故障下的振动加速度信号X;S20:将所采集到的振动加速度信号X通过小波包分解并重构,获得小波包重构信号作为特征样本集,将所述特征样本集按一定比例随机划分为训练集和测试集;S30:通过将残差自编码模块和变分自编码器模块进行前后堆叠连接,构建形成深度残差变分自编码器网络模型;S40:将训练集输入到所述深度残差变分自编码器网络模型中进行依次训练,获得具有故障判别能力的深度网络模型;S50:将测试集输入至已训练好的深度网络模型中,自动识别机械故障的类型。
-
-