申请/专利权人：中国人民解放军海军航空大学

申请日：2023-11-16

公开（公告）日：2024-04-02

公开（公告）号：CN117808047A

主分类号：G06N3/0464

分类号：G06N3/0464;G06N3/006;G06N3/0985;G06N3/082;G01M13/045

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明提供一种基于SSCP‑CNN的滚动轴承故障诊断方法、系统及诊断终端，涉及滚动轴承技术领域，方法采集数据，并将数据划分成训练集和测试集，再进行标签化处理；构建两层卷积层和两层池化层的一维CNN，并成训练集；通过麻雀搜索算法寻优训练集中的超参数；计算损失函数Loss，并通过多次迭代使损失函数收敛；使用小尺寸卷积池化替代首个最大池化层，并保持拥有一致的超参数，实现超参数的传递；采用Adam优化自适应学习率进行模型训练；若满足损失函数收敛要求，则完成SSCP‑CNN训练；使用训练好的SSCP‑CNN对测试集进行故障诊断，输出诊断结果，计算性能指标并进行结果可视化分析。本发明保持故障诊断的稳定性；在不同噪声强度的数据中，模型均能取得较高的诊断精度。

主权项：1.一种基于SSCP-CNN的滚动轴承故障诊断方法，其特征在于，方法包括：步骤1：采集一维轴承振动数据，并将一维轴承振动数据划分成训练集和测试集，使用One-hotencoding进行标签化处理；步骤2：基于SSCP-CNN模型构建两层卷积层和两层池化层的一维CNN，并基于一维CNN对数据进行训练，形成训练集；步骤3：通过麻雀搜索算法寻优训练集中的超参数；步骤4：计算损失函数Loss，并通过多次迭代使损失函数Loss收敛；步骤5：使用小尺寸卷积池化替代首个最大池化层，并保持SSCP-CNN和一维CNN拥有一致的超参数，实现超参数的传递；步骤6：把训练集数据输入SSCP-CNN中，并采用Adam优化自适应学习率进行模型训练；步骤7：若满足损失函数收敛要求，则完成SSCP-CNN训练，否则返回步骤6；步骤8；使用训练好的SSCP-CNN对测试集进行故障诊断，输出诊断结果，计算性能指标并进行结果可视化分析。

全文数据：

权利要求：

百度查询： 中国人民解放军海军航空大学 一种基于SSCP-CNN的滚动轴承故障诊断方法、系统及诊断终端

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