申请/专利权人:南京凯奥思数据技术有限公司
申请日:2024-01-16
公开(公告)日:2024-03-22
公开(公告)号:CN117591831B
主分类号:G06F18/20
分类号:G06F18/20;G06F18/213;G06N3/084
优先权:
专利状态码:有效-授权
法律状态:2024.03.22#授权;2024.03.12#实质审查的生效;2024.02.23#公开
摘要:本发明公开了一种基于故障倍频特征和神经网络的故障诊断方法及系统,通过在正常数据上添加不同故障特征构造大量故障数据,并通过神经网络方法反向求解倍频占比和故障占比之间的关系矩阵,对发生报警的原始波形数据的故障情况进行求解,反向计算出各个故障的可能性占比,以此计算出的各故障的可能性占比为最终诊断的结果。本发明可以在缺乏足够不同种类故障数据,和故障机理描述较为模糊的情况下,达到可靠、自动化的故障诊断的目的。
主权项:1.一种基于故障倍频特征和神经网络的故障诊断方法,其特征在于包括如下步骤:步骤S1:获取历史故障数据;步骤S2:先获取历史正常数据,然后在每个正常数据上添加故障特征,以生成模拟故障信号;步骤S3:对于历史故障信号和模拟故障信号,计算每个信号的设定p个倍频及每个倍频分别占所有p个倍频的占比情况;步骤S4:根据计算出的每个倍频分别占所有p个倍频的占比情况,以及历史故障数据对应的s种故障的故障机理倍频特征占比情况,通过神经网络模型计算出每个倍频分量与故障机理倍频特征占比之间的对应关系,并计算出系数矩阵;步骤S5:根据故障数据的p个倍频的占比情况,通过计算出的系数矩阵反推出的s种故障的预测故障占比;步骤S6:根据历史故障数据对应的s种故障的故障机理倍频特征占比,计算故障机理倍频特征占比与步骤S5中预测故障占比的误差大小,如果误差值超过设定值,则停止训练;否则,将历史故障数据重新输入到神经网络中继续进行迭代训练调整,以降低误差;步骤S7:获取实时报警数据的原始数据,并计算关键的p个倍频及占比,通过最终计算出的系数矩阵,计算每种故障的可能性占比,可能性占比最大值所代表的故障作为最终诊断结果。
全文数据:
权利要求:
百度查询: 南京凯奥思数据技术有限公司 基于故障倍频特征和神经网络的故障诊断方法及系统
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。