一种深度学习滚动轴承故障诊断方法及系统.pdf
雨巷****轶丽
亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种深度学习滚动轴承故障诊断方法及系统.pdf
本发明属于旋转机械技术领域,提供了一种深度学习滚动轴承故障诊断方法及系统。该方法包括,获取滚动轴承故障数据;对每段滚动轴承故障数据进行拓扑数据分析,以提取拓扑特征矩阵;对每段滚动轴承故障数据进行快速傅里叶变换并求其模值,以提取频域特征矩阵;采用卷积神经网络融合拓扑特征矩阵和频域特征矩阵,得到故障特征矩阵;基于故障特征矩阵,采用故障分类网络,得到故障分类结果。本发明可以提取到互补的故障特征并可以提高模型诊断精度,并且在强噪声背景下模型具有更强的鲁棒性。
一种深度对抗迁移学习的滚动轴承故障诊断方法.pdf
本发明涉及一种深度对抗迁移学习的滚动轴承故障诊断方法,属于机械系统智能诊断领域。本发明采用深度对抗迁移学习的网络模型对滚动轴承故障进行诊断,该模型包括特征提取层、故障分类层、全局域对抗层和局部域对抗层。模型采用分类损失、全局域对抗损失和局部故障类对抗损失之和作为损失函数进行训练,确保在训练过程中通过带故障标签的源域数据实现目标域故障的准确分类。本发明能够在有效构建故障分类器的同时,通过域对抗和类别对抗学习保证其源域故障和目标域故障的共有特征属性处于同一分布上,进而减少源域与目标域的特征分布差异,提高了对滚
一种滚动轴承故障诊断方法及系统.pdf
本公开提供了一种滚动轴承故障诊断方法及系统,包括:采集待检测的滚动轴承振动信号;将滚动轴承振动信号输入故障诊断模型获得故障诊断结果;所述故障诊断模型是基于滚动轴承不同故障类型的时域振动信号构成训练集和测试集进行训练、测试得到的,故障诊断模型建立步骤包括对训练集中每种故障类型的时域振动信号进行自适应变分模态分解得到对应的模态分量,获取各个模态分量的故障特征,将故障特征作为分类器模型的输入;所述自适应变分模态分解的惩罚因子根据频谱互相关度确定;既有效避免了各模态分量之间的混叠,又能最大限度地保留振动信号的故障
基于深度与迁移学习的滚动轴承故障诊断方法研究的开题报告.docx
基于深度与迁移学习的滚动轴承故障诊断方法研究的开题报告【摘要】滚动轴承是重要的机械传动部件,对各类机械设备的正常运行起到至关重要的作用。然而,滚动轴承故障是一种常见且具有挑战性的故障,因此需要开发出有效的故障诊断方法。本文采用深度学习与迁移学习相结合的方法,提出了一种基于卷积神经网络(CNN)和长短时记忆网络(LSTM)的滚动轴承故障诊断方法。该方法通过预训练模型的方式进行特征提取和迁移学习,提高了模型的诊断准确度。本文还对该方法的实验结果进行了详细的分析和评估。【关键词】滚动轴承;故障诊断;深度学习;迁
一种滚动轴承故障诊断方法.pdf
本发明公开了一种滚动轴承故障诊断方法,涉及机械故障诊断技术领域。本发明采用小波阈值降噪有效消除振动信号中的噪音;并基于经验小波变换(EWT)分解降噪信号,提取IMF分量的注意熵作为特征向量;针对深度核极限学习机(DK‑ELM)参数难以确定的问题,利用海洋捕食者算法(MPA)实现了DK‑ELM模型参数的自适应。本发明结合了经验小波变换、深度核极限学习机等,通过分析自适应深度核极限学习机(ADKELM)模型不同工况下的诊断情况,确定了最佳诊断模型进行滚轴轴承故障诊断,该诊断方法具有一定的高效性。