公开(公告)号：CN110455530B

公开(公告)日：2021-08-31

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：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。