申请/专利权人：同济大学;龙门实验室

申请日：2023-12-20

公开（公告）日：2024-03-22

公开（公告）号：CN117743929A

主分类号：G06F18/241

分类号：G06F18/241;G06F18/214;G06N3/0464;G06N3/0895;G01M13/045

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明提供了一种基于半监督学习的滚动轴承多任务小样本故障诊断方法，具有这样的特征，包括以下步骤：步骤S1，构建初始滚动轴承故障诊断模型；步骤S2，根据现有的振动信号小样本数据和标签构建训练数据集；步骤S3，根据训练数据集对初始滚动轴承故障诊断模型进行训练，得到滚动轴承故障诊断模型；步骤S4，采集故障滚动轴承的振动信号；步骤S5，将振动信号输入滚动轴承故障诊断模型，得到故障诊断结果。总之，本方法能够对滚动轴承进行故障诊断，并得到较高准确率的故障诊断结果。

主权项：1.一种基于半监督学习的滚动轴承多任务小样本故障诊断方法，用于得到故障滚动轴承的故障诊断结果，其特征在于，包括以下步骤：步骤S1，构建初始滚动轴承故障诊断模型；步骤S2，根据现有的振动信号小样本数据和标签构建训练数据集；步骤S3，根据所述训练数据集对所述初始滚动轴承故障诊断模型进行训练，得到滚动轴承故障诊断模型；步骤S4，采集所述故障滚动轴承的振动信号；步骤S5，将所述振动信号输入所述滚动轴承故障诊断模型，得到所述故障诊断结果，其中，所述滚动轴承故障诊断模型包括特征提取模块、第一分类模块和第二分类模块，所述特征提取模块包括参数z生成单元、特征生成单元和故障特征生成单元，所述参数z生成单元包含两层全连接网络，用于根据所述振动信号生成参数z，所述特征生成单元包含池化层，用于对所述振动信号进行多尺度卷积和池化，得到特征所述故障特征生成单元用于根据所述特征和所述参数z生成故障特征，所述第一分类模块用于根据所述故障特征得到故障类型，所述第二分类模块用于根据所述故障特征得到损伤程度，所述故障诊断结果为所述故障类型和所述损伤程度。

全文数据：

权利要求：

百度查询： 同济大学;龙门实验室 基于半监督学习的滚动轴承多任务小样本故障诊断方法

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