申请/专利权人：西安交通大学

申请日：2021-07-09

公开（公告）日：2024-04-02

公开（公告）号：CN113505830B

主分类号：G06F18/214

分类号：G06F18/214;G06F18/241;G06N3/0464;G01M13/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.11.02#实质审查的生效;2021.10.15#公开

摘要：本申请提供一种旋转机械故障诊断方法、系统、设备及存储介质。方法包括：采用轻量级卷积神经网络提取旋转机械故障信号，得到空间特征信息，并对空间特征信息进行特征识别；根据特征识别结果实现旋转机械的故障诊断，构造了新型的轻量级卷积块，能够有效地降低模型的参数，建立了轻量级卷积神经网络故障诊断模型，在很大程度上解决数据压缩问题的同时，有效地改进网络结构，提高了对整个旋转机械故障的识别精度。

主权项：1.一种旋转机械故障诊断方法，其特征在于，包括：采用轻量级卷积神经网络提取旋转机械故障信号，得到空间特征信息，并对空间特征信息进行特征识别；根据特征识别结果实现旋转机械的故障诊断；轻量级卷积神经网络的构建过程包括：基于空间可分离逆卷积，构造轻量级卷积块，利用轻量级卷积块构造轻量级卷积神经网络；所述轻量级卷积块具体为：将三个深度卷积分解为两个线性层，在第一空间层之后执行池化处理，将计算结果保存到第二层；沿着空间维度对子采样进行分割，并在第一次深度卷积之后应用1×2最大池化层内核，对于第二次采样，选择2×1内核和相应的步长来替换普通的逐点卷积；所述的轻量级卷积块在构建卷积块时使用多个卷积大小形成大规模卷积核；所述轻量级卷积神经网络在模型训练过程中，采用随机梯度下降优化器，压缩模型量和运算量，具体包括：获取轴承状态数据；建立网络并初始化参数；向前传播计算误差，判断误差是否收敛，若收敛则输出诊断结果；若不收敛，则反向传播调整权值，返回向前传播计算误差步骤；还包括特征可视化步骤，特征可视化步骤具体包括：采用TensorBoard可视化所述轻量级卷积神经网络的每个卷积层提取的故障特征，并通过t-SNE可视化隐藏的完全连接层中的学习特征，卷积层提取边缘特征，实现故障特征的可视化；在隐藏全连接层中，相同故障条件下的样本被识别并置于同一位置，不同故障条件下的样本被识别并置于不同位置。

全文数据：

权利要求：

百度查询： 西安交通大学 旋转机械故障诊断方法、系统、设备及存储介质

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