[发明专利]基于改进S变换与深度学习的滚动轴承故障智能诊断方法在审
| 申请号： | 201910042618.7 | 申请日： | 2019-01-17 |
| 公开（公告）号： | CN109632309A | 公开（公告）日： | 2019-04-16 |
| 发明（设计）人： | 时培明;苏冠华;殷晓迪;田警辉 | 申请（专利权）人： | 燕山大学 |
| 主分类号： | G01M13/045 | 分类号： | G01M13/045;G06K9/00;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 北京挺立专利事务所(普通合伙) 11265 | 代理人： | 刘阳 |
| 地址： | 066004 河北省*** | 国省代码： | 河北;13 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于改进S变换与深度学习的滚动轴承故障智能诊断方法，通过对S变换加入窗宽调节因子的方式来改变其高斯窗函数窗宽，进而改善S变换的时频分辨率，使其能精确地检测到振动信号中的冲击分量，以便更好的提取滚动轴承振动信号的故障特征。本方法对轴承故障的振动信号做改进S变换，得到信号的特征矩阵，将特征矩阵按列展开成特征向量输入到稀疏自动编码器模型中，利用编码器的特性，进一步提取数据的深层特征，挖掘出人工无法识别的一些重要的隐含信息；并对提取到的特征做出准确的分类。本发明可以有效的提高滚动轴承故障诊断的准确率。 | ||
| 搜索关键词： | 滚动轴承故障 特征矩阵 振动信号 智能诊断 滚动轴承故障诊断 滚动轴承振动 自动编码器 改进 冲击分量 窗宽调节 故障特征 特征向量 提取数据 轴承故障 编码器 分辨率 高斯窗 准确率 窗宽 时频 稀疏 隐含 学习 分类 挖掘 检测 | ||
【主权项】：
1.一种基于改进S变换与深度学习的滚动轴承故障诊断方法，其特征在于，包括如下步骤：步骤S1：获取滚动轴承在不同故障状态下的振动信号；步骤S2：对振动信号做改进的S变换，通过设置窗宽调节因子的方式改善其时域分辨率，增强其对冲击信号的检测效果，提取信号的故障特征，通过改进S变换获得振动信号的特征矩阵；步骤S3：将特征矩阵按列展开成特征向量作为神经网络的输入，分为无标签数据和有标签数据两组，使用无标签数据实现网络的预训练，再用有标签数据微调整个网络参数，完成稀疏自动编码器神经网络模型的构建；步骤S4：将新的待测故障信号按照上述步骤处理，输入到已经训练好的网络模型中，实现轴承故障的智能诊断。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于燕山大学，未经燕山大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910042618.7/，转载请声明来源钻瓜专利网。
