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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD