申请/专利权人:上海电力大学;国家电投集团黄河上游水电开发有限责任公司;青海黄河上游水电开发有限责任公司;甘肃中电投新能源发电有限责任公司
申请日:2021-09-06
公开(公告)日:2022-01-21
公开(公告)号:CN113962284A
主分类号:G06K9/62(20220101)
分类号:G06K9/62(20220101);G06K9/00(20220101);G06N3/04(20060101);G06N3/08(20060101);G01M13/04(20190101);G01M13/045(20190101)
优先权:
专利状态码:在审-实质审查的生效
法律状态:2022.02.15#实质审查的生效;2022.01.21#公开
摘要:本发明公开了一种基于卷积神经网络和峭度图的滚动轴承故障诊断方法,包括:采集不同工况下的滚动轴承振动信号数据;利用快速峭度图算法将滚动轴承一维振动信号转换为二维峭度图,划分训练集和测试集;将训练集输入到构建的ResNet50卷积神经网络模型中进行迭代学习训练,直到其收敛;将测试集输入训练后的ResNet50卷积神经网络模型,确定故障分类,评估诊断正确率,优化结构和参数,直到最佳并保存;采集新的滚动轴承轴承振动信号,并生成二维峭度图,将其输入到最佳ResNet50卷积神经网络模型,进行故障分类和识别。本发明利用频谱峰度分析从滚动轴承振动信号数据中提取特征,结合多层卷积神经网络对复杂的多维振动信号数据进行处理,提高了故障诊断分类正确率。
主权项:1.一种基于卷积神经网络和峭度图的滚动轴承故障诊断方法,其特征在于,包括:采集不同工况下的滚动轴承振动信号数据;利用快速峭度图算法将滚动轴承一维振动信号转换为二维峭度图,划分训练集和测试集;构建ResNet50卷积神经网络模型;将所述训练集输入到所述ResNet50卷积神经网络模型,进行迭代学习训练,优化参数,直到训练的ResNet50卷积神经网络模型收敛;将所述测试集输入训练后的ResNet50卷积神经网络模型,确定故障分类,评估诊断正确率,优化结构和参数,直到最佳,保存最佳ResNet50卷积神经网络模型;采集新的滚动轴承轴承振动信号,并生成二维峭度图,将其输入到最佳ResNet50卷积神经网络模型,对滚动轴承的运行进行故障分类和识别。
全文数据:
权利要求:
百度查询: 上海电力大学;国家电投集团黄河上游水电开发有限责任公司;青海黄河上游水电开发有限责任公司;甘肃中电投新能源发电有限责任公司 一种基于卷积神经网络和峭度图的滚动轴承故障诊断方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。