-
公开(公告)号：CN111753891A
公开(公告)日：2020-10-09
申请号：CN202010530872.4
申请日：2020-06-11
Applicant: 燕山大学
Abstract: 本发明公开了一种无监督特征学习的滚动轴承故障诊断方法，所述诊断方法主要步骤如下：首先采用ELM-AE对采集到的振动信号进行无监督特征学习得到权值向量；然后将叠加处理后的权值向量作为卷积核，对原始振动信号进行卷积池化处理，实现数据特征的自动提取；最后将提取到的特征向量输入到支持向量机进行滚动轴承健康状态识别与分类。本发明所提出的方法能够在保证较高诊断精度的同时，有效的缩短模型训练时间，提高算法运行效率，具有非常理想的技术效果。
-
公开(公告)号：CN111753891B
公开(公告)日：2023-04-07
申请号：CN202010530872.4
申请日：2020-06-11
Applicant: 燕山大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/084 , G06N20/00
Abstract: 本发明公开了一种无监督特征学习的滚动轴承故障诊断方法，所述诊断方法主要步骤如下：首先采用ELM‑AE对采集到的振动信号进行无监督特征学习得到权值向量；然后将叠加处理后的权值向量作为卷积核，对原始振动信号进行卷积池化处理，实现数据特征的自动提取；最后将提取到的特征向量输入到支持向量机进行滚动轴承健康状态识别与分类。本发明所提出的方法能够在保证较高诊断精度的同时，有效的缩短模型训练时间，提高算法运行效率，具有非常理想的技术效果。
-
公开(公告)号：CN108507789A
公开(公告)日：2018-09-07
申请号：CN201810571885.9
申请日：2018-05-31
Applicant: 燕山大学
Abstract: 本发明公开了一种基于平均随机弱正交匹配追踪的滚动轴承故障稀疏诊断方法，首先根据采集到的滚动轴承振动信号构造超完备字典，完成算法参数的初始化设置，并预估原信号的稀疏度；其次，采用平均随机弱正交匹配追踪算法更新稀疏字典和残差；最后，利用得到的稀疏字典计算稀疏表示系数，从而重构得到故障信号；将上述过程重复N次，通过集合平均得到最终处理结果。该方法通过原子数预估与改进的残差更新方式避免了人为设置稀疏度对分解结果的影响，通过改进的模拟退火算法增大了小幅值故障成分被提取的可能，解决了微弱周期性冲击特征难以有效提取的问题，对实现滚动轴承的早期微弱故障诊断具有重要意义。
-
公开(公告)号：CN108507789B
公开(公告)日：2020-02-25
申请号：CN201810571885.9
申请日：2018-05-31
Applicant: 燕山大学
IPC: G01M13/045 , G06K9/62
Abstract: 本发明公开了一种基于平均随机弱正交匹配追踪的滚动轴承故障稀疏诊断方法，首先根据采集到的滚动轴承振动信号构造超完备字典，完成算法参数的初始化设置，并预估原信号的稀疏度；其次，采用平均随机弱正交匹配追踪算法更新稀疏字典和残差；最后，利用得到的稀疏字典计算稀疏表示系数，从而重构得到故障信号；将上述过程重复N次，通过集合平均得到最终处理结果。该方法通过原子数预估与改进的残差更新方式避免了人为设置稀疏度对分解结果的影响，通过改进的模拟退火算法增大了小幅值故障成分被提取的可能，解决了微弱周期性冲击特征难以有效提取的问题，对实现滚动轴承的早期微弱故障诊断具有重要意义。
-
-
-
Search Results
4
records
(took 0.012 seconds)
