公开(公告)号：CN117436037A

公开(公告)日：2024-01-23

申请号：CN202311506970.4

申请日：2023-11-13

Applicant: 苏州大学

Inventor： 丁传仓 ,  王报祥 ,  朱忠奎 ,  石明宽 ,  沈长青 ,  王俊 ,  江星星 ,  黄伟国 ,  杜贵府 ,  石娟娟 ,  韩林轩

IPC: G06F18/28 ,  G01M13/045 ,  G06F18/2136

Abstract: 本发明涉及一种基于加权多尺度卷积稀疏表示的轴承故障诊断方法及系统，所述方法包括：对初始振动信号进行预处理，生成振动信号；根据加权多尺度卷积稀疏表示模型、交替方向乘子法和受控极小化法生成迭代求解算法；根据所述迭代求解算法从所述振动信号中分离时域故障冲击特征；根据所述时域故障冲击特征确定轴承故障类型。通过加权多尺度卷积稀疏表示模型、交替方向乘子法和受控极小化法得到迭代求解算法，可以在多种复杂干扰条件下依然能够准确提取周期性故障冲击特征，实现滚动轴承的准确诊断，确保整个机械系统的运行安全。

公开(公告)号：CN117493964A

公开(公告)日：2024-02-02

申请号：CN202311507030.7

申请日：2023-11-13

Applicant: 苏州大学

Inventor： 丁传仓 ,  石明宽 ,  朱忠奎 ,  王报祥 ,  沈长青 ,  王俊 ,  江星星 ,  黄伟国 ,  杜贵府 ,  石娟娟 ,  韩林轩

IPC: G06F18/241 ,  G01M13/045 ,  G06F18/214 ,  G06F18/213 ,  G06N3/0895

Abstract: 本发明涉及一种基于半监督类别增量的轴承故障诊断方法及系统，所述方法包括：获取原始振动信号；根据所述原始振动信号生成数据流；所述数据流包括第一数据集和第二数据集；根据所述第一数据集训练半监督类别增量模型，生成初始化模型；所述初始化模型包括特征提取器和分类器；将所述第二数据集输入至所述特征提取器生成第二数据集特征矩阵；所述第二数据集特征矩阵通过半监督类别增量规则更新所述分类器，以生成第一模型和输出权重；根据所述输出权重确定轴承故障类别。通过引入半监督学习算法和增量学习策略，能够在仅使用少量标记样本的情况下，利用大量未标记样本进行模型训练。有助于提高轴承故障诊断的准确性和效率。