申请/专利权人：江苏南高智能装备创新中心有限公司;东南大学

申请日：2024-02-02

公开（公告）日：2024-04-12

公开（公告）号：CN117708574B

主分类号：G06F18/2131

分类号：G06F18/2131;G01M13/045;G06F18/15;G06F17/14;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2024.04.02#实质审查的生效;2024.03.15#公开

摘要：本发明公开了一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法，包括：通过短时傅里叶变换与脊线提取从振动信号中提取转速曲线；参考转速曲线，计算等角度采样时间点，对原始时域振动信号进行插值重采样，得到角度域信号；利用巴特沃兹滤波对角度域信号进行带通滤波，滤除低频噪声，得到滤波后的角度域信号；利用包络提取与快速傅里叶变换技术，对滤波后的角度域信号提取信号包络阶次谱，得到滚动轴承特征；将滚动轴承特征输入至训练后的嵌入物理信息的卷积神经网络中，得到振动信号的故障检测结果。本发明结合机理分析方法和深度学习方法，实现轴承健康状态的识别。

主权项：1.一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法，其特征在于，包括以下步骤：步骤S1、通过短时傅里叶变换与脊线提取从振动信号中提取转速曲线；步骤S2、参考转速曲线，计算等角度采样时间点，对原始时域振动信号进行插值重采样，得到角度域信号；步骤S3、利用巴特沃兹滤波对角度域信号进行带通滤波，滤除低频噪声，得到滤波后的角度域信号；步骤S4、利用包络提取与快速傅里叶变换技术，对滤波后的角度域信号提取信号包络阶次谱，得到滚动轴承特征；步骤S5、将滚动轴承特征输入至训练后的嵌入物理信息的卷积神经网络中，得到振动信号的故障检测结果；所述步骤S5中，嵌入物理信息的卷积神经网络包含物理信息层，根据理论的故障特征阶次对包络解调阶次谱进行加权，物理信息层的公式表达为： ，其中，表示物理信息层输出，表示输入的轴承故障特征，表示向量的元素乘法，分别表示内圈、外圈、滚动体故障对应的加权向量；所述加权向量根据权重函数计算获取，其计算公式为： ，其中，为故障对应的加权向量，取，分别对应内圈故障、外圈故障、滚动体故障，为第m个要加权的阶次，m为包络解调阶次谱中的阶次个数；其中，权重函数的计算公式为： ，其中，为权重函数，s表示要加权的阶次，表示故障的理论故障特征阶次，均表示权重函数的形状参数，N为权重函数要加权的谐波个数。

全文数据：

权利要求：

百度查询： 江苏南高智能装备创新中心有限公司;东南大学 一种嵌入物理信息的CNN变转速滚动轴承故障诊断方法

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