申请/专利权人：西安交通大学

申请日：2021-06-25

公开（公告）日：2024-04-02

公开（公告）号：CN113435322B

主分类号：G06F18/10

分类号：G06F18/10;G06F18/2131;G06F18/24;G06N3/0464;G06N3/08;G06V10/764

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.10.15#实质审查的生效;2021.09.24#公开

摘要：本发明公开了一种主轴轴承故障检测方法、系统、设备及可读存储介质，基于深度学习宽残差网络与信号处理技术，首先对振动信号进行集合经验模态分解，基于峰度值筛选模态分量，对筛选出的分量进行奇异值分解优化，重构信号后再通过短时傅里叶变换输出图像形式的信号特征，而后搭建宽残差网络，将图像特征数据输入至宽残差网络进行训练，最后得到具有故障诊断的功能的宽残差网络，本方法将信号处理技术及深度学习技术相结合，减少了轴承振动信号噪声的影响，同时宽残差网络也缓解了一般人工神经网络模型对计算机高性能的要求，以及随着网络层数增多常出现的性能退化问题，提高了故障诊断的准确率与效率。

主权项：1.一种主轴轴承故障检测方法，其特征在于，包括以下步骤：S1，获取主轴轴承振动信号，并对获取的振动信号进行集合经验模态分解处理，得到多个固有模态分量，并计算各固有模态分量的峰度值，保留峰度值大于设定阈值的固有模态分量；加速度传感器获取主轴轴承的振动信号，对振动信号进行EEMD处理，将正态分布的白噪声加入原始信号，并将其作为一个整体进行EMD处理： 获得N个固有模态分量IMFi；对各固有模态分量分别计算峰度值： 将阈值设定为0，舍弃峰度值小于阈值的固有模态分量；S2，对保留的固有模态分量构造Hankel矩阵，进行奇异值分解完成振动信号数据预处理；S3，对预处理后的振动信号进行短时傅里叶变换，将振动信号以特征图像形式输出；对保留的固有模态分量IMFi＝[a1,a2,a3,…,an]构造Hankel矩阵， 进行SVD分解H＝UΣVT得到奇异值矩阵Σ＝diag[σ1,σ2,…,σn,0,…,0]，保留前K阶奇异值后奇异值矩阵为Σ'＝diag[σ1,σ2,…,σK,0,…,0]，进行SVD与Hankel矩阵的逆过程从而对固有模态分量进行重构；S4，选择网络的宽度与深度，搭建宽残差网络，将步骤S3得到的特征图像输入至深度宽残差网络中进行训练，在网络损失函数值趋于稳定后，完成训练取得分类模型，利用训练好的分类模型进行主轴轴承故障检测。

全文数据：

权利要求：

百度查询： 西安交通大学 一种主轴轴承故障检测方法、系统、设备及可读存储介质

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