-
公开(公告)号：CN107179194A
公开(公告)日：2017-09-19
申请号：CN201710520276.6
申请日：2017-06-30
Applicant: 安徽工业大学
CPC classification number: G01M13/028 , G01M13/045 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于卷积神经网络的旋转机械故障定性诊断方法，属于机械故障诊断技术领域。该诊断方法包括如下步骤：从旋转机械振动数据中提取足够多样本点，搭建卷积神经网络模型，训练卷积神经网络模型，测试时随机截取多个样本点，用训练好的卷积神经网络对测试样本点进行分类，完成对旋转机械故障的定性诊断。传统的故障定性诊断方法需人工提取特征，准确率低，泛化性能差，方法复杂难懂，难于工程推广。本发明基于卷积神经网络的旋转机械故障定性诊断方法能够自动提取特征，准确率高，泛化性能强，方法简单易懂，易于工程推广。
-
公开(公告)号：CN107451340A
公开(公告)日：2017-12-08
申请号：CN201710579113.5
申请日：2017-07-17
Applicant: 安徽工业大学
Abstract: 本发明公开一种基于多属性卷积神经网络的旋转机械故障定量诊断方法，属于机械故障诊断技术领域。该诊断方法包括如下步骤：从旋转机械振动数据中提取足够多样本点并赋予相应的多属性标签，搭建多属性卷积神经网络，训练多属性卷积神经网络，测试时创建多个样本点数据，用训练好的多属性卷积神经网络对测试样本点进行诊断，完成对旋转机械故障的定量诊断。传统的故障诊断方法需人工提取特征，准确率低，泛化性能差，方法复杂难懂，且无法诊断出故障大小，难于工程推广。本发明基于多属性卷积神经网络的旋转机械故障定量诊断方法能够自动提取特征，准确率高，泛化性能强，方法简单易懂，且能有效的诊断出故障类型和故障大小，易于工程推广。
-
公开(公告)号：CN107491606A
公开(公告)日：2017-12-19
申请号：CN201710705029.3
申请日：2017-08-17
Applicant: 安徽工业大学
Abstract: 本发明公开一种基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法，属于机械故障诊断技术领域。该方法首先采集行星齿轮箱太阳轮不同故障类型、不同转速、不同负载工况下的行星齿轮箱的振动数据，从振动数据中创建多个样本点并赋予相应的多属性标签，搭建多属性卷积神经网络，训练多属性卷积神经网络，测试时从待诊断的行星齿轮箱的振动数据中创建多个数据样本点，用训练好的多属性卷积神经网络对测试样本点进行诊断，完成对变工况行星齿轮箱太阳轮故障诊断。本发明方法能够自动提取特征，准确率高，泛化性能强，方法简单易懂，且能实现变工况下故障诊断，能同时预测转速，易于工程推广。
-
-
Search Results
3
records
(took 0.028 seconds)
