申请/专利权人：吴江万工机电设备有限公司

申请日：2021-09-23

公开（公告）日：2024-04-09

公开（公告）号：CN113933054B

主分类号：G01M13/045

分类号：G01M13/045;G06F30/27;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.02.01#实质审查的生效;2022.01.14#公开

摘要：本发明公开了一种滚动轴承故障监测诊断方法、设备、介质及处理器，方法为首先对不同健康状态下采集的轴承数据进行切割划分样本，利用短时傅里叶变换对样本进行预处理，然后利用一维卷积神经网络提取样本的低层次特征，接着门控循环单元分析低层次特征得到时频域特征，输出设备状态监测结果并将时频域特征作为粗分类器的输入，得到故障粗分类结果；在训练的过程中利用故障关键帧数据，以解决轴承运转状态下的数据极不平衡问题，降低时间跨度长对梯度的影响，使得深度学习模型能精准地监测轴承的实时状态。本发明不需要大量先验知识来手动地提取特征，通过深度学习模型的实时监测实现在线故障实时诊断，节省大量人力物力，提高生产效率。

主权项：1.一种滚动轴承故障监测诊断方法，其特征在于，包括以下步骤：步骤1、采集不同健康状态的滚动轴承振动数据，并对采集到的滚动轴承振动数据进行切割，形成一维样本；步骤2、对切割形成的一维样本做短时傅里叶变换处理，形成二维片段，并按正常数据在前故障数据在后，故障突发时机任意的实际规律，将短时傅里叶变换处理后的二维片段拼接为固定长度的关键帧片段，在训练阶段将关键帧片段送入参数初始化的深度关键帧识别神经网络模型；步骤3、训练过程中，先由深度关键帧识别神经网络模型中的一维卷积神经网络提取关键帧片段的低层次特征，再由深度关键帧识别神经网络模型中的深层门控循环单元在提取到的低层次特征的基础上进一步分析得到高层次特征，输出故障状态，最后预测故障突发时刻与真实标签对比获得损失，利用对应的优化函数降低损失，训练深度关键帧识别神经网络模型参数；步骤4、训练过程中，用滚动轴承振动数据的二维片段单独训练故障粗分类网络模型，利用对应的优化函数训练故障粗分类网络模型参数；测试过程中，将故障突发时间点所对应的滚动轴承振动数据的二维片段作为输入，输入到故障粗分类网络模型中，故障粗分类网络模型输出对突发故障的粗分类结果；至此深度关键帧识别神经网络模型和故障粗分类网络模型均已训练完毕，构成深度神经网络诊断模型；步骤5、将测试样本集输入到已训练好的深度神经网络诊断模型中，通过实际的输出的预测值与粗分类标签值来定性、定量化判断该测试样本故障突发时间点及故障类型；状态预测曲线与实际状态曲线对比，分类标签与实际标签做对比，得到诊断效果与分类精度。

全文数据：

权利要求：

百度查询： 吴江万工机电设备有限公司 一种滚动轴承故障监测诊断方法、设备、介质及处理器

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