申请/专利权人:淮阴工学院
申请日:2023-06-02
公开(公告)日:2023-09-05
公开(公告)号:CN116698415A
主分类号:G01M13/045
分类号:G01M13/045;G06F18/2131;G06F18/2415;G06F18/10;G06N3/0464;G06N3/045;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2023.09.22#实质审查的生效;2023.09.05#公开
摘要:本发明涉及轴承故障诊断领域,公开了一种基于CNN‑CBAM振动信号特征提取和改进的Bagging轴承故障诊断方法,包含如下步骤:1)获取轴承在各种工况下的振动信号数据;2)基于所获取的振动信号,利用时域分析完成振动信号解析得到特征值;3)对特征值重新组合得到表征故障和非故障工况的轴承数据集;4)针对轴承数据集,采用卷积神经网络和卷积块注意模块结合模型实现特征提取;5)利用探路者算法优化Bagging模型参数并对特征提取的数据集训练,实现轴承故障诊断。与现有技术相比,本发明能够更好地捕捉轴承在各种工况的振动信号特征,提高设备的可靠性和安全性,更精准地发现潜在安全隐患,满足对轴承故障类别的正确判断要求。
主权项:1.一种基于CNN-CBAM振动信号特征提取和改进的Bagging轴承故障诊断方法,其特征在于,包括如下步骤:步骤1:利用传感器获取轴承在各种工况下的振动信号数据;步骤2:基于所获取的振动信号,利用时域分析完成对振动信号解析得到特征值;步骤3:对特征值重新组合得到能够表征故障和非故障工况的轴承数据集;步骤4:针对轴承数据集,采用卷积神经网络和卷积块注意模块结合模型CNN-CBAM实现特征提取,利用通道注意力模块和空间注意力模块增强CNN特征表达能力和判别能力;步骤5:利用探路者算法优化Bagging模型参数,经过CNN-CBAM特征提取之后形成新的训练集作为优化后的Bagging模型的输入,对特征提取的数据集训练,实现轴承故障诊断。
全文数据:
权利要求:
百度查询: 淮阴工学院 基于CNN-CBAM振动信号特征提取和改进的Bagging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。