申请/专利权人:杭州电子科技大学
申请日:2023-12-18
公开(公告)日:2024-03-22
公开(公告)号:CN117743851A
主分类号:G06F18/214
分类号:G06F18/214;G06F18/241;G06F18/2131;G06N3/042;G06N3/0464;G06N3/045;G01M13/045;G06F123/02
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:本发明公开了一种基于小波包分解和图神经网络的滚动轴承早期故障征兆诊断方法及系统。本发明基于滚动轴承全生命周期下产生不同故障状态的数据,利用小波包分解构建健康指标,用于滑动窗口变点检测方法检测早期退化点,对原始数据早期退化点之后的一小段振动信号进行采样,得到早期故障征兆信号样本,并进行快速傅里叶变换提取频率特征。基于早期故障征兆信号特征样本,采用有限半径近邻法构建早期故障征兆图。然后,建立基于小波包分解和图神经网络的滚动轴承早期故障征兆诊断模型,并通过训练和调参以获得最优模型。本发明具有较高的精度,同时能够实现在少量有标记样本的情况下,也能获得较高的早期故障征兆诊断精度。
主权项:1.基于小波包分解和图神经网络的滚动轴承早期故障征兆诊断方法,其特征在于包括:S1:基于滚动轴承全生命周期数据,采用小波包分解方法构建健康指标;S2:基于S1中构建的健康指标,采用滑动窗口变点检测方法检测早期退化点,并将检测到的早期退化点通过小波包逆变换返回到原始全生命周期数据;S3:针对滚动轴承在各种故障状态下运行,截取滚动轴承全生命周期数据早期退化点后的一小段振动信号,通过数据重构,构建早期故障征兆样本集;S4:根据S3中构建的早期故障征兆样本集,以各故障征兆样本为节点,故障征兆样本的连接关系为边,采用有限半径最近邻法构建早期故障征兆样本图;S5:以S4构建的早期故障征兆样本图作为输入,基于图卷积神经网络层,结合全连接层、非线性激活层等,构建基于图卷积神经网络的滚动轴承早期故障征兆诊断模型;S6:基于S4构建的故障征兆样本图按不同比例划分训练集、验证集以及测试集,对构建的基于图卷积神经网络的滚动轴承早期故障征兆诊断模型进行训练、调参以及评估。
全文数据:
权利要求:
百度查询: 杭州电子科技大学 基于小波包分解和图神经网络的滚动轴承早期故障征兆诊断方法及系统
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。